# 快手开源Klear-Reasoner：8B参数模型刷榜AIME和LiveCodeBench，GPPO算法突破推理极限

- Link: https://paooo.com/ai-tool/14061/
- Published: 2026-06-23T23:12:22+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 基于 Qwen3-8B-Base，Klear-Reasoner 以 8B 参数冲到数学与代码推理前列。
 * GPPO 通过保留被裁剪梯度，缓解探索受限与负样本收敛慢的问题。
 * 训练细节与流程全公开，降低复现门槛，适合垂直推理模型二次开发。

> **💡 站外导读：**当前，开源大模型在数学与代码推理领域的性能瓶颈日益凸显，特别是在
> 复杂长链推理和样本探索能力上，传统PPO/GRPO算法存在梯度裁剪导致探索受限、负样本
> 收敛缓慢等核心痛点。快手此次开源的Klear-Reasoner直击行业难题，基于8B参数量实现
> 了顶尖的推理性能，不仅为中小模型突破性能天花板提供了新范式，更通过完全公开训练
> 细节，为整个开源社区的模型复现和迭代注入了强劲动力。

## Klear-Reasoner是什么

Klear-Reasoner 是快手推出的基于 Qwen3-8B-Base 的推理模型，专注于提升数学和代码推理
能力。模型通过长思维链监督微调（long CoT SFT）和强化学习（RL）训练，核心创新是 GPPO
算法，通过保留被裁剪的梯度信息，解决传统方法中探索能力受限和负样本收敛慢的问题，
在 AIME 和 LiveCodeBench 等基准测试中达到 8B 模型的顶尖水平。Klear-Reasoner 的训练
细节和全流程公开，为推理模型的发展提供重要的参考和复现路径。

阅读目录

 * [Klear-Reasoner是什么](https://paooo.com/ai-tool/14061/#klearreasoner%e6%98%af%e4%bb%80%e4%b9%88)
 * [Klear-Reasoner的主要功能](https://paooo.com/ai-tool/14061/#klearreasoner%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [Klear-Reasoner的技术原理](https://paooo.com/ai-tool/14061/#klearreasoner%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [Klear-Reasoner的项目地址](https://paooo.com/ai-tool/14061/#klearreasoner%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [Klear-Reasoner的应用场景](https://paooo.com/ai-tool/14061/#klearreasoner%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/ai-tool/14061/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![Klear-Reasoner](https://paooo.com/wp-content/uploads/2026/05/Klear-Reasoner-website-
1.avif)

## Klear-Reasoner的主要功能

 * **数学推理**：Klear-Reasoner 在复杂的数学问题上表现出色，能解决高难度的数学竞赛
   题目。
 * **代码生成与推理**：能生成高质量的代码，通过 LiveCodeBench V5 和 V6 的评测，分别
   达到 66.0% 和 58.1% 的准确率。
 * **长思维链推理**：Klear-Reasoner 能处理复杂的长思维链任务，通过长思维链监督微调（
   long CoT SFT）和强化学习（RL）训练，提升模型在多步推理中的表现。
 * **数据质量优化**：在训练过程中，Klear-Reasoner 优先选择高质量数据源，确保模型
   学习到准确的推理模式，保留部分错误样本提升模型的探索能力。

## Klear-Reasoner的技术原理

 * **长思维链监督微调（long CoT SFT）**：用高质量的数据源进行监督微调，确保模型学习
   到准确的推理模式。优先选择少数高质量数据源，避免低质量数据引入噪声。保留部分错误
   样本，尤其是在高难度任务中，有助于模型的探索能力。
 * **强化学习（RL）**：用强化学习进一步提升模型的推理能力，特别是在数学和代码任务
   上。基于软奖励机制，根据测试用例的通过率给予奖励，缓解奖励稀疏问题，提升训练效率。
   过滤掉测试用例存在问题的数据，确保训练数据的高质量。
 * **GPPO（Gradient-Preserving Clipping Policy Optimization）算法**：传统 PPO 和
   GRPO 算法中，clip 操作会丢弃高熵 token 的梯度，限制模型的探索能力，导致负样本
   延迟收敛。GPPO 基于 stop gradient 操作，将 clip 操作与梯度反向传播解耦，保留所有
   token 的梯度。对于高熵 token，GPPO 保留其梯度并约束在一定范围内。对于负样本 token，
   GPPO 保留梯度并限制在一定幅度内，加快错误修正速度。
 * **软奖励机制**：在代码任务的强化学习中，用软奖励机制（根据测试用例的通过率给予
   奖励）比硬奖励（完全通过得分，否则为零）更有效。软奖励机制能缓解奖励稀疏问题，
   增加训练信号的密度，降低梯度估计的方差，使模型的学习过程更稳定、更高效。

## Klear-Reasoner的项目地址

 * **GitHub仓库**：https://github.com/suu990901/KlearReasoner/
 * **HuggingFace模型库**：https://huggingface.co/Suu/Klear-Reasoner-8B
 * **arXiv技术论文**：https://arxiv.org/pdf/2508.07629

## Klear-Reasoner的应用场景

 * **教育领域**：作为智能数学家教，为学生提供详细的解题步骤和推理过程，帮助用户更好
   地理解和掌握数学知识。
 * **软件开发**：自动生成高质量代码片段，辅助开发者快速实现功能模块，同时提供代码
   审查建议，提高代码质量和开发效率。
 * **金融科技**：分析金融数据进行风险评估和预测，为金融机构提供逻辑推理支持，助力
   更精准的决策制定。
 * **科研与数据分析**：Klear-Reasoner 能处理复杂的数据分析和科学计算任务，为研究
   人员提供逻辑推理和模型解释，提升科研效率。
 * **智能客服**：快速准确地解答用户复杂问题，提供清晰的推理过程，提升用户体验和问题
   解决效率。

#### 📝 站长洞察 (Editor’s Insight)

快手开源Klear-Reasoner，表面上是发布了一个8B参数的推理模型，实质上是向行业传递了
一个关键信号：在资源相对有限的参数规模下，通过算法层面的深度创新（如GPPO），完全
有能力在数学、代码等高难度推理任务上与顶级[大模型](https://paooo.com/ai-study/)一较高下。
这标志着开源社区的竞争焦点，正从单纯的‘参数军备竞赛’转向更精细、更高效的‘算法与数据
工程竞赛’。GPPO算法通过保留被裁剪的梯度信息，解决了传统RLHF中探索与利用的根本矛盾，
这一思路对整个强化学习在LLM中的应用都具有启发意义。对于开发者而言，Klear-Reasoner
全流程的公开，降低了复现和二次开发的门槛，预示着基于高质量小模型进行垂直领域深度
优化，将成为下一阶段AI落地的主流路径之一。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**HuggingFace ↗**

HuggingFace：AI模型开发社区，面向大语言模型场景提供便捷实用的在线功能支持，涵盖大
模型等实用方向。

❓ 常见问题解答（FAQ）

Klear-Reasoner 是什么模型？

Klear-Reasoner 是快手推出的推理模型，基于 Qwen3-8B-Base，重点提升数学与代码推理能力。
它结合 long CoT SFT 和强化学习训练，并引入 GPPO 算法优化探索与收敛表现。

Klear-Reasoner 为什么能提升推理能力？

核心在于长思维链监督微调、强化学习和 GPPO 算法协同。GPPO 通过保留被裁剪的梯度信息，
减少传统 PPO/GRPO 对探索能力的限制，同时加快负样本修正与收敛。

Klear-Reasoner 适合哪些应用场景？

适合教育解题、代码生成与审查、金融分析、科研数据处理和智能客服等需要复杂逻辑推理
的场景。其训练细节公开，也便于开发者复现和做垂直领域优化。

📊 Klear-Reasoner 与其他模型在 AIME2024/AIME2025/LiveCodeBench V5/V6 上的准确率对比（
AI 视觉结构化提取）

**核心发现：**Klear-Reasoner-8B 在四项基准上均取得最高分，尤其在 AIME2024 和 AIME2025
上领先明显，整体推理与代码能力最强。

| 模型 | AIME2024 (Avg@64) | AIME2025 (Avg@64) | LiveCodeBench V5 (Avg@8) | LiveCodeBench V6 (Avg@8) | 
| Klear-Reasoner-8B | 90.5 | 83.2 | 66.0 | 58.1 | 
| Deepseek-R1-0528-8B | 86.0 | 76.3 | 61.0 | 51.6 | 
| OpenReasoning-Nemotron-7B | 84.7 | 78.2 | 65.6 | 56.3 | 
| Qwen3-8B | 76.0 | 67.3 | 57.5 | 48.4 | 
| POLARIS-4B-Preview | 81.2 | 79.4 | 58.5 | 53.0 | 
| AceReason-Nemotron-1.1-7B | 72.6 | 64.8 | 57.2 | 52.1 |

🔬 语宙深潜追问 · 进阶实操拆解

GPPO到底解决了什么痛点？

它核心是在裁剪梯度时保留有效探索信号，减少“学着学着不敢试”的问题。对推理任务来说，
这能提升负样本收敛效率和策略多样性，但前提是奖励设计清晰，否则再强的优化器也会学
偏。

8B推理模型怎么落地到产品？

优先放在可验证答案的场景，如代码修复、数学题、结构化推理和内部知识问答。上线时要
配套思维链隐藏、答案校验和失败回退，避免把“高分模型”直接等同于“高可靠产品”。

🗳️ 读者观点微投票 · 您的实战立场是？

8B模型刷榜，靠算法还是靠训练堆料？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/)

 * [Skywork-R1V 2.0 – 昆仑万维开源的新版多模态推理模型](https://paooo.com/aigc-news/20199/)
 * [DeepSeek R1-Zero – DeepSeek推出的开源推理模型，基于纯强化学习训练](https://paooo.com/aigc-news/22701/)
 * [Skywork-OR1 – 昆仑万维开源的高性能系列推理模型](https://paooo.com/aigc-news/20384/)
 * [OpenR – 伦敦大学联合多所高校推出提升大模型推理能力的框架](https://paooo.com/aigc-news/26314/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/ai-tool/14061/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)