在大模型的訓練中，強化學習算法一直是提升模型性能的關鍵。然而，其面臨著計算資源要求高、訓練速度慢等問題，讓普通企業機構望而卻步。面對行業共性難題，近日，在360數字安全集團冰刃實驗室主導下，打造出“輕量化、高性能”的AI訓練方案：RL-LoRA，在保持模型泛化能力的前提下，體積僅為原始全參數模型的1%-5%，實現強化學習訓練技術引領性突破。目前，360安全大模型已深度融合RL-LoRA技術，相關核心代碼也已正式對外開放下載使用。

大模型強化學習訓練困境：更高性能，更高門檻

當DeepSeek-R1憑借卓越的推理與泛化能力驚艷全球，其背后的核心引擎——強化學習算法GRPO（Generalized Reinforcement Learning Policy Optimization）也備受矚目。GRPO的訓練能夠簡潔有效的提升大模型的推理能力，同時保持更優的泛化能力。然而GRPO訓練對顯存消耗高且速度緩慢，這就對于大模型的強化學習訓練設置了更高的門檻要求，讓一些資源有限的企業以及在垂直領域的模型應用望而卻步。

一方面，強化學習訓練方法對顯存資源要求巨大，在配備TRL+FA2的GRPO設置中，Llama 3.1（8B）在20K上下文長度下，訓練需要510.8GB的VRAM，而主流的娛樂級顯卡容量通常為2GB、4GB或8GB。

另一方面，強化學習訓練相對速度慢，需要持續對訓練效率優化提升。GRPO執行過程中，需同時運行策略模型、參考模型和推理模型，每一次權重更新操作需要頻繁切換模型，不僅引發效率瓶頸，還會產生顯存占用尖峰，使得強化學習訓練速度緩慢。

最后，顯卡資源有限的機構或垂類領域應用大模型時，常面臨在單一服務器上同時推理多個不同功能大模型的需求。LoRA這一低資源訓練方法的重要性愈發凸顯，為高效利用有限資源、實現多模型協同推理提供了關鍵技術支撐。

重大突破：360實現全網首個強化學習LoRA訓練方案

面對行業共性難題，由360冰刃實驗室主導，聯合加州伯克利大學BAIR頂尖學者(S.Xie、T.Lian、J.Pan)及字節跳動Seed團隊專家，在開源項目Volcengine/VERL中貢獻了里程碑式方案：RL-LoRA集成支持，其主要具備以下技術優勢：

更少資源、更高性能

RL-LoRA訓練方法將LoRA引入至GRPO等強化學習訓練全流程，能夠以更低的資源支持更大規模模型的強化訓練。以往8卡A100無法觸及的32B+模型，如今可輕松訓練70B甚至更大尺寸。

實際測試中，對于LoRA_rank=32的0.5B模型，采用RL-LoRA訓練方法，訓練收斂速度和最終性能與常規GRPO訓練幾乎相同，節省算力資源的同時，保證了訓練的正確性和穩定性。

更多批次、更高效率

RL-LoRA訓練方法降低了顯存尖峰，在同等硬件下顯著提升訓練批次（Batch Size），可以支持更多數據并行處理，提升計算資源利用率，進而加快訓練速度，助力模型高效訓練。

輕量化、易部署

訓練產出的LoRA Adapter體積僅為原始全參數模型的1%-5%，微小體積使其復制、分發、加載異常便捷，徹底擺脫動輒數百GB巨型模型的部署枷鎖。

落地實踐：360安全大模型率先落地應用RL-LoRA技術

針對安全垂直領域多場景化的應用需求，360獨創了緊湊型多專家協同大模型（CCoE）架構，該架構與模型基座解耦并具備遷移能力，使得專項任務無需訓練大規模基座參數。在模型基座之上，360針對各類安全研判、分析、生成等任務設計了相互獨立的“專家”，即插即用，少許訓練路由參數就能即可完成新任務“專家”擴展工作。

360安全大模型已深度融合CCoE與RL-LoRA技術， 面向安全運營、威脅狩獵、釣魚研判等眾多安全場景，實現專項微調顯存占用降低、訓練效率提升、集約化部署應用。同時，360通過專項訓練推出100+安全專家智能體，已經為北京市朝陽區政府、重慶大學等近500家用戶在真實環境中完成測試應用與交付，加持政府、金融、央企、運營商、交通、教育、醫療等行業客戶實現智能化安全防御。

目前，RL-LoRA相關核心代碼已正式對外開放下載使用。未來，360繼續深耕AI+安全實踐應用，以創新技術賦能行業智能化、高效化轉型，為國內AI研發生態貢獻力量！