# Ring-Zero：把不用人工标注的强化学习推到万亿参数，让模型自己长出推理能力

> 原标题：Ring-Zero: Scaling Zero RL to a Trillion Parameters for Emergent Reasoning

- 来源：Hacker News 首页
- 发布时间：2026-07-16T21:38:02.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/44816
- 原文：https://arxiv.org/abs/2607.12395

## 摘要

这篇论文把 Zero RL（一种不用人类标注、靠可验证奖励来训练模型推理的方法）直接干到了 1 万亿参数。团队发现，如果只是简单放大模型，推理过程会变得啰嗦、冗余，读起来费劲。所以他们加了几个稳定训练的手段：截断式重要性采样、训练与推理的比例修正，以及混合精度控制。实验得出三个结论：第一，万亿参数让模型学得更快、上限更高；第二，训练会先经历一个“探索期...

## 推荐理由

这是一份万亿参数 Zero RL 的实证报告，直接回应了社区对缩放稳定性的担忧。分数定在 78，因为作者团队不是已知大厂，且正文没披露模型架构和训练成本，但问题本身够硬、结论有参考价值。

## 锐评

这篇论文把 Zero RL（不用人类标注，靠答案对错当奖励来训练模型推理）直接拉到 1 万亿参数，想看看大力出奇迹在推理上能走多远。团队发现，简单放大模型会让推理过程变得啰嗦、冗余，所以他们加了几个稳定训练的手段：截断式重要性采样、训练与推理的比例修正，以及混合精度控制。实验观察到三个现象：万亿参数让模型学得更快、上限更高；训练会先经历一个“探索期”，再进入“打磨期”；模型自己长出了拟人化、自我验证、并行推理等行为，甚至出现“上下文焦虑”，不需要人工设计启发式规则。他们还提了一套评估推理过程质量的框架，从可读性、可复现性和效率三个维度打分，说自己的模型在结构化、简洁的推理链条上有优势。

不过，正文没披露七个数学基准的具体分数，也没说训练成本和开源计划。这些信息缺口让“有竞争力”这个说法暂时没法验证。如果后续能补上跑分和成本，才能判断这万亿参数是真划算，还是纯烧钱换了个热闹。