作者：紀牛牛@知乎

在LLM火熱之前，我一直從事強化學習相關的算法工作。最近幾周一直在思考RL是如何在優化LLM中發揮做用的。從基于人類反饋的微調到確保在多樣化場景中的穩定泛化，RL方法在現代AI中已經開辟了一個不可或缺的領域。在這篇文章中，我將討論不同RL方法的差異，純監督方法不足，為什么結合監督微調(SFT)和RL，比如DeepSeek-R1這樣的訓練方式下，會產生更好的結果，以及RL固有的探索如何增強泛化和處理分布外數據。LLM中的強化學習

RL方法共享相同的更新原則：即通過對目標函數進行梯度更新來調整模型參數。最簡單的形式表示為：

其中 代表模型參數， 是學習率， 是目標（通常是期望獎勵）的梯度。然而，這個梯度( )的計算方式以及包含哪些項在不同方法之間可能有很大差異。近端策略優化(PPO)是一種策略梯度方法，它在優化目標的同時，確保策略更新與之前的策略保持"近端"。它通過計算概率比率來實現：

這個比率然后乘以優勢估計（通常使用廣義優勢估計或GAE計算），并應用裁剪操作以防止更新過于偏離舊策略。由此對精心設計的目標進行更新，使得策略變化較大時提供穩定性。

人類反饋的強化學習（RLHF）就是在PPO方法的基礎上集成了人類偏好數據的一種方法。首先使用人類評注者提供的成對的比較或評分來訓練獎勵模型。隨后的RL階段使用這個獎勵信號來優化模型，通常將其與PPO的技術如裁剪和KL散度懲罰結合起來，以確保漸進的更新。DeepSeek-R1的GRPO進一步修改了這一思想，消除了對之前PPO單獨價值函數的使用。不依賴于狀態價值的外部估計，而是就每個提示詞生成一組回復，標準化得到的獎勵分之后來計算群體相對優勢，簡化了架構并減少了計算開銷，同時仍能捕獲組內回復的差異性。

在使用RL訓練LLM的一個限制是獎勵的計算。在模型輸出可通過代碼或某種測試驗證的場景下，獎勵更容易定義，我們可以提示模型，給出答案，讓它運行并找到解決方案。這讓RL無限訓練模型成為可能，從而產生神奇效果。在輸出不易驗證的開放領域，我們通常訓練獎勵模型來判斷輸出。有不少研究表明這會導致"Reward Hacking"現象，模型學會輸出內容以獲得高獎勵，而輸出并不是我們想要的。這種情況下就不能使用RL訓練模型。

RLHF的偽代碼示例

算法：Actor-Critic PPO (Proximal Policy Optimization) 用于RLHF 輸入:     - 預訓練語言模型 π_θ (Actor，策略網絡，參數為θ)     - 值函數網絡 V_φ (Critic，參數為φ)     - 參考模型 π_ref (通常是π_θ的副本)     - 獎勵模型 R     - 提示數據集 D     - 迭代次數 N     - 每輪樣本數 M     - PPO截斷參數 ε (通常為0.1或0.2)     - KL散度目標值 β_target     - Actor學習率 α_π     - Critic學習率 α_v     - 折扣因子 γ     - GAE參數 λ_GAE 輸出:     - 優化后的語言模型 π_θ 和值函數網絡 V_φ 過程:     初始化參考模型 π_ref ← π_θ          對于 iteration = 1 到 N:         // 1. 數據收集階段         樣本集 S = {}         從數據集D中隨機采樣M個提示 {x_1, x_2, ..., x_M}                  對于每個提示 x_i:             使用當前策略模型π_θ生成響應序列 y_i = (y_i,1, y_i,2, ..., y_i,T)             對于每個時間步t:                 計算狀態值 V_φ(x_i, y_i,1:t-1)                 使用參考模型計算動作概率 p_ref,t = π_ref(y_i,t | x_i, y_i,1:t-1)             使用獎勵模型計算最終獎勵 r_i = R(x_i, y_i)             S = S ∪ {(x_i, y_i, r_i, {p_ref,t}, {V_φ(x_i, y_i,1:t-1)})}                  // 2. 計算GAE優勢估計         對于每個樣本(x_i, y_i, r_i, {p_ref,t}, {V_t})在S中:             // 計算每個時間步的獎勵（簡化為最終獎勵分配到每個token）             r_i,t = r_i / T 為每個時間步t                          // 計算TD殘差             δ_t = r_i,t + γ*V_t+1 - V_t  (假設最后一步V_T+1 = 0)                          // 使用GAE計算優勢值             A_i,t = 0             for t = T 到 1 (倒序):                 A_i,t = δ_t + γ*λ_GAE*A_i,t+1                          // 計算回報目標             G_i,t = V_t + A_i,t                  // 3. 策略(Actor)和值函數(Critic)優化         對于 k = 1 到 K(PPO更新次數):             對于每個小批量(x_i, y_i, {r_i,t}, {p_ref,t}, {V_t}, {A_i,t}, {G_i,t})在S中:                 // 3.1 Actor更新                 對于每個時間步t:                     // 計算當前策略下的概率                     p_θ,t = π_θ(y_i,t | x_i, y_i,1:t-1)                                          // 計算重要性權重比例                     ratio_i,t = p_θ,t / p_ref,t                                          // 計算PPO截斷目標                     objective1 = ratio_i,t * A_i,t                     objective2 = clip(ratio_i,t, 1-ε, 1+ε) * A_i,t                     actor_loss = -平均(min(objective1, objective2))                                          // 計算KL散度懲罰                     KL = KL散度(p_ref,t, p_θ,t)                     KL懲罰 = max(0, KL - β_target)                                          // 總Actor損失                     L_actor = actor_loss + λ * KL懲罰                                  // 3.2 Critic更新                 對于每個時間步t:                     // 計算當前值函數估計                     V_current = V_φ(x_i, y_i,1:t-1)                                          // 計算值函數損失(MSE)                     critic_loss = 平均((V_current - G_i,t)2)                                  // 3.3 更新網絡參數                 使用梯度下降更新θ: θ ← θ - α_π * ?_θL_actor                 使用梯度下降更新φ: φ ← φ - α_v * ?_φcritic_loss                                  // 3.4 檢查KL散度是否過大                 if 平均(KL) > 2 * β_target:                     提前結束當前iteration                  // 4. 定期更新參考模型         if iteration % update_frequency == 0:             π_ref ← π_θ          返回優化后的模型 π_θ 和 V_φ

GRPO的另一大亮點是思考與回答的分離。模型的輸出可以結構化為兩個部分： 部分：模型的思考過程，推理步驟，考慮的可能性等； 部分：最終給出的回答。獎勵模型只對 部分進行評分和優化，而不評估 部分。這種設計精巧在于：

• ?鼓勵自由思考：模型可以在 部分探索多種可能性，嘗試不同的推理路徑，而不必擔心這些思考過程會受獎勵機制影響。

• ?更符合人類思維方式：人類也會先在腦中考慮多個可能性，然后才給出最終回答

• ?支持復雜推理：允許模型使用更長的推理鏈，而只對最終結論進行評價

在GRPO訓練過程中， 部分雖然不直接參與獎勵評分，但參與模型參數更新：即使不直接計算獎勵， 部分仍然參與反向傳播和梯度計算過程。也就是模型需要學習如何生成有用的思考過程，這些思考最終能導向高質量的回答。

在實際實現中，GRPO算法會：對每個提示生成完整的響應（包含 和 部分）對每個響應中的 部分應用獎勵函數進行評分，使用這些獎勵分數計算優勢值并更新整個模型參數（包括生成 和 的部分）

GRPO的偽代碼示例

算法：GRPO (Group-based Reinforcement Policy Optimization) 用于RLHF 輸入:     - 預訓練語言模型 π_θ (策略模型，參數為θ)     - 參考模型 π_ref (通常是π_θ的副本)     - 獎勵模型 R     - 提示數據集 D     - 迭代次數 N     - 每輪樣本數 M     - 每個提示生成的群體大小 G (如8或16)     - PPO截斷參數 ε (通常為0.1或0.2)     - KL散度目標值 β_target     - 學習率 α 輸出:     - 優化后的語言模型 π_θ 過程:     初始化參考模型 π_ref ← π_θ          對于 iteration = 1 到 N:         // 1. 數據收集階段         樣本集 S = {}         從數據集D中隨機采樣M個提示 {x_1, x_2, ..., x_M}                  對于每個提示 x_i:             // 生成群體樣本             使用當前策略模型π_θ生成G個響應 {y_i,1, y_i,2, ..., y_i,G}                          // 計算每個響應的獎勵             對于 g = 1 到 G:                 r_i,g = R(x_i, y_i,g)                          // 存儲生成的樣本及相關信息             對于 g = 1 到 G:                 使用參考模型計算概率 p_ref,i,g = π_ref(y_i,g | x_i)                 S = S ∪ {(x_i, y_i,g, r_i,g, p_ref,i,g)}                  // 2. 基于群體計算優勢值         對于每個提示 x_i:             // 提取該提示下的所有樣本             S_i = {所有(x_i, y_i,g, r_i,g, p_ref,i,g) ∈ S}                          // 計算群體內的獎勵平均值作為基線             baseline_i = 平均({r_i,g | (x_i, y_i,g, r_i,g, p_ref,i,g) ∈ S_i})                          // 計算每個樣本的優勢值             對于每個 (x_i, y_i,g, r_i,g, p_ref,i,g) ∈ S_i:                 A_i,g = r_i,g - baseline_i                  // 3. 策略優化階段         對于 k = 1 到 K(PPO更新次數):             對于每個小批量B ? S:                 // 分組計算損失                 total_loss = 0                                  對于每個 (x_i, y_i,g, r_i,g, p_ref,i,g, A_i,g) ∈ B:                     // 計算當前策略下的概率                     p_θ,i,g = π_θ(y_i,g | x_i)                                          // 計算重要性權重比例                     ratio_i,g = p_θ,i,g / p_ref,i,g                                          // 計算PPO截斷目標                     objective1 = ratio_i,g * A_i,g                     objective2 = clip(ratio_i,g, 1-ε, 1+ε) * A_i,g                     clip_objective = min(objective1, objective2)                                          // 計算KL散度懲罰                     KL = KL散度(p_ref,i,g, p_θ,i,g)                     KL懲罰 = max(0, KL - β_target)                                          // 累加損失                     sample_loss = -clip_objective + λ * KL懲罰                     total_loss += sample_loss                                  // 更新策略                 avg_loss = total_loss / |B|                 使用梯度下降更新θ: θ ← θ - α * ?_θavg_loss                                  // 檢查KL散度是否過大                 avg_KL = 平均({KL散度(p_ref,i,g, p_θ,i,g) | (x_i, y_i,g, r_i,g, p_ref,i,g, A_i,g) ∈ B})                 if avg_KL > 2 * β_target:                     提前結束當前iteration                  // 4. 定期更新參考模型         if iteration % update_frequency == 0:             π_ref ← π_θ          返回優化后的模型 π_θ

如果人類或獎勵模型明確識別出"最佳"答案，最直接的解決方案似乎是對該答案進行監督微調(SFT)。然而，這種方法在訓練LLM時有幾個缺點。

監督微調通常涉及訓練模型以模仿單一目標輸出。語言生成本質上是隨機的，對于給定的提示，通常有多個有效的回答可用。如果你只關注"最佳"答案，模型可能過擬合到狹窄的輸出空間。無法捕獲語言的多樣性，可能會錯過在不同情境下可能更好的回答。在自動駕駛領域，模仿學習（在LLM領域稱之為SFT）存在同樣的問題，如果軌跡與訓練數據集中的數據稍有偏離，學習的策略就無法駕駛汽車。這種域外（分布外）泛化是一個重要的研究課題，RL和離線RL是改進它的一些方法。

獎勵或偏好信號通常由整個生成序列的質量而非孤立的詞決定。輸出質量只有在整個序列生成后才能測量。采用策略梯度的方法旨在跨決策序列分配獎勵。通過優化長期獎勵（使用優勢估計和時間差分方法），可以有效地將獎勵反饋傳播回每個單獨的決策。純監督方法很難執行如此細微的分配。

許多人類反饋信號是不可微的，或者只作為標量評估（例如，"喜歡"或"不喜歡"評級）提供。監督方法需要可微目標，我們熟知的監督學習的簡單分類問題中，雖然使用的是離散的分類標簽，模型輸出的是對每個類別的概率分布，交叉熵損失函數計算這兩個分布之間的差異，并且這個損失函數是完全可微的。所以在這個過程中，我們將離散標簽轉換成了某種形式，關鍵是在簡單分類問題中的這種轉換是直接且無損的。人類反饋（如喜歡/不喜歡）雖然也是離散的，但更加復雜，是對整個生成序列的評價，而不是單個決策點。并且常常是相對的或比較性的。而策略梯度方法可以直接優化期望獎勵，允許獎勵函數的形式更加多樣。

RL本身包含探索機制。RL不依賴單一答案，而是鼓勵模型采樣和評估多個軌跡。通過探索，模型不僅學習哪些輸出是首選的，還了解所有可能的回答的整體情況。從而引導一個更強大的策略，可以更好地泛化到訓練集以外的提示并適應不同的環境。

SFT后接RL的優勢

現在LLM的訓練范式是從監督微調(SFT)開始然后是強化學習(RL)的兩階段過程。DeepSeek-R1是典型例子。以下是我認為這種組合如此有效的原因。

第一階段，SFT，涉及在高質量、人工整理的數據上微調模型。這一步驟至關重要，因為它為模型提供了堅實的基幾做模型，能夠捕獲語言的基本模式和結構。監督數據有助于減少模型輸出的初始方差，并為進一步細化設置基線分布。

一旦模型有了一個強健的基礎，RL階段通過結合反映人類偏好的獎勵模型，或模擬人類偏好的訓練模型，甚至是定義基于規則的獎勵，來優化策略。在RL期間，使用策略梯度等技術來優化包含裁剪和KL散度懲罰等機制的目標函數。這些機制確保策略更新保持接近原始SFT模型，防止可能破壞性能的劇烈變化。可以看成是一種微調，根據定義的獎勵推動模型朝著更好的性能和更好的推理，而不會丟失已經在SFT期間捕獲的有價值信息。

模型首先學習更簡單、定義明確的任務（通過SFT），然后逐漸處理更復雜的決策問題（通過RL）。有了良好的基礎，RL階段可以探索替代軌跡進行改進，同時保持在參考模型定義的"安全"區域內。強大的初始策略與通過裁剪和KL懲罰進行謹慎的策略更新相結合，保證更穩定和有效的學習過程。

從實際角度看，SFT基于專家數據提供明確指導。同時，RL允許優化長期獎勵，捕捉人類偏好的細微差別，并允許模型探索可能比人類生成的數據更好的其他可能性，也學習數據集軌跡周圍的分布。從而引導一個不僅模仿高質量輸出，而且能夠根據動態和有時模糊的獎勵信號精細化其行為的模型。

通過RL探索增強泛化和分布外處理能力

將強化學習納入LLM訓練管道的一個顯著優勢是其增強泛化和處理分布外數據的能力。

與監督微調不同，RL強調探索。在訓練期間，模型通過采樣和策略梯度更新接觸各種輸出。這種探索使模型能夠了解可能回答的分布，而不僅僅是單一的"正確"答案。通過接觸多個軌跡，模型理解什么樣的序列構成高獎勵。

RL方法為每個軌跡計算比較優勢，即一個序列比平均結果好多少的相對度量。這種相對比較有助于模型更有效地在序列的不同部分分配獎勵。即使基礎模型最初產生中等質量的回答，RL階段的探索也可能發現產生更高獎勵的替代序列。這些發現隨后得到強化，提高了策略的整體質量。

當模型僅通過監督學習訓練時，容易在訓練數據上過擬合。相比之下，RL固有的探索機制意味著會接觸各種輸入和輸出。這種接觸使其能夠構建更豐富的語言及其細微差別的表示。于是模型變得更能處理分布外場景并泛化到新的、未見過的提示。

通常在探索階段，模型會發現與監督數據集中看到的相比更優的軌跡。即使SFT階段提供了強大的基線，RL也可以通過探索替代方案并從獎勵的相對差異中學習，幫助模型進一步細化其策略。這種持續的精煉過程最終導致性能的提升。