機器之心報道

編輯：張倩、陳陳

誰說強化學習只能是蛋糕上的櫻桃，說不定，它也可以是整個蛋糕呢？

在 2016 年的一次演講中，Yann LeCun 曾將強化學習比喻成蛋糕上的櫻桃。他提到，「如果把智能比作一塊蛋糕，那么無監督學習就是蛋糕的主體，監督學習就是蛋糕上的糖霜，而強化學習則是糖霜上的櫻桃。我們已經知道如何制作糖霜和櫻桃，但卻不知道如何制作蛋糕本身。」

從 2016 年至今，LeCun 對強化學習一直不看好。然而，不可否認的是，強化學習在提升 AI 模型能力方面正變得越來越重要。而且，來自微軟的一項新研究顯示，它不僅在后訓練階段發揮著關鍵作用，甚至在預訓練階段也展現出巨大的潛力。

在這篇題為「Reinforcement Pre-Training」的論文中，作者提出了一種名為「強化預訓練（RPT）」的新范式。在這種范式中，下一個 token 預測任務可以被重新定義為一個通過強化學習訓練的推理任務。在這一任務中，模型會因正確預測給定上下文中的下一個 token 而獲得可驗證的獎勵。

這就好比在制作蛋糕的過程中，直接將櫻桃融入到蛋糕的主體結構中。

作者指出，RPT 范式的好處在于，它提供了一種可擴展的方法，能夠利用海量文本數據進行通用強化學習，而無需依賴特定領域的標注答案。

通過激勵模型進行下一個 token 的推理，RPT 顯著提升了預測下一個 token 的語言建模準確性。此外，RPT 為后續的強化微調提供了一個強大的預訓練基礎。

scaling 曲線表明，隨著訓練計算量的增加，下一個 token 預測的準確性持續提升。這些結果表明，RPT 是一種有效且有前景的 scaling 范式，能夠推動語言模型預訓練的發展。

不過，由于論文提出的方法比較新，社區對該方法的有效性、效率、前景等還有所疑問。

接下來，我們看文章內容。

論文概覽

• 論文標題：Reinforcement Pre-Training
• 論文鏈接：https://www.arxiv.org/pdf/2506.08007

大語言模型（LLMs）通過在海量文本語料庫上采用可擴展的對下一個 token 的預測，展現出跨多種任務的卓越能力。這種自監督范式已被證明是一種高效的通用預訓練方法。

與此同時，RL 已成為微調大語言模型的關鍵技術，既能讓 LLM 符合人類偏好，又能提升諸如復雜推理等特定技能。

然而，目前 RL 在 LLM 訓練中的應用面臨著可擴展性和通用性方面的挑戰。

一方面，基于人類反饋的強化學習雖然在對齊方面有效，但依賴于昂貴的人類偏好數據，而且其學習到的獎勵模型容易受到 reward hacking 攻擊，從而限制了其可擴展性。

另一方面，可驗證獎勵的強化學習 (RLVR) 利用客觀的、基于規則的獎勵，這些獎勵通常來自問答對。雖然這可以緩解 reward hacking 攻擊，但 RLVR 通常受限于數據的稀缺性，不能用于通用預訓練。

本文提出了強化預訓練（Reinforcement Pre-Training, RPT）這一新范式，旨在彌合可擴展的自監督預訓練與強化學習能力之間的鴻溝。

RPT 將傳統的對 next-token 的預測任務重構為對 next-token 的推理過程：對于預訓練語料中的任意上下文，模型需在預測前對后續 Token 進行推理，并通過與語料真實的 next-token 比對獲得可驗證的內在獎勵。

該方法無需外部標注或領域特定獎勵函數，即可將傳統用于 next-token 預測的海量無標注文本數據，轉化為適用于通用強化學習的大規模訓練資源。

這種方法提供了幾個關鍵的優點。

首先，RPT 具有固有的可擴展性和通用性：該方法充分利用了傳統 next-token 預測所使用的海量無標注文本數據，無需任何外部標注，即可將其轉化為適用于通用強化學習的大規模訓練數據集。

其次，使用直接的、基于規則的獎勵信號本質上可以最大限度地降低 reward hacking 風險。

第三，通過明確獎勵 next-token 推理范式，讓模型能夠進行更深入的理解和泛化，而不僅僅是記住下一個 Token。

最后，預訓練期間的內部推理過程允許模型為每個預測步驟分配更多的思考（計算資源），這類似于將推理時間擴展能力提前應用到訓練過程中，從而直接提升下一 Token 預測的準確性。

強化預訓練（RPT）詳解

Next-Token 預測與 Next-Token 推理對比如下。

在 Next-Token 推理范式下，長思維鏈可以包含各種推理模式，例如自我批評和自我修正。

Next-Token 推理將預訓練語料庫重構為一系列龐大的推理問題，使預訓練不再局限于學習表面的 Token 級關聯，而是理解其背后的隱藏知識。

RPT 通過 on-policy 強化學習的方式訓練大語言模型執行 next-token 推理任務，如圖 3 所示。

對于給定的上下文，提示語言模型生成 G 個響應（思維軌跡）。每個響應由一系列思維推理序列和最終預測序列 組成。

實驗設置。本文使用 OmniMATH 數據集進行強化預訓練，其包含 4,428 道競賽級數學題目及答案。實驗基礎模型為 Deepseek-R1-Distill-Qwen-14B。

實驗結果

語言建模能力

表 1 顯示了 RPT 方法和基線方法在不同難度級別測試集上的下一個 token 預測準確性。結果顯示，RPT 在與標準下一個 token 預測基線和基于推理的預測基線對比時均表現更優。

具體來說，與 R1-Distill-Qwen-14B 相比，RPT-14B 在所有難度級別上都具有更高的下一個 token 預測準確率。

值得注意的是，它的性能與一個更大的模型的性能相媲美，即 R1-Distill-Qwen-32B（圖 4）。這些結果表明，強化預訓練在捕獲 token 生成背后的復雜推理信號方面是有效的，并且在提高 LLM 的語言建模能力方面具有強大的潛力。

強化預訓練的 scaling 特性

如圖 5 所示，RPT 的下一個 token 預測準確率隨著訓練計算的擴大而可靠地提高。所有難度級別的高 R2 值表明擬合曲線準確地捕捉了性能趨勢。

在 RPT 基礎上進行強化微調

如表 2 所示，經過強化預訓練的模型在進一步使用 RLVR 進行訓練時能夠達到更高的性能上限。當模型持續使用下一個 token 預測目標在相同數據上進行訓練時，其推理能力顯著下降。隨后的 RLVR 訓練僅能帶來緩慢的性能提升。這些結果表明，在數據有限的情況下，強化預訓練能夠快速將從下一個 token 推理中學到的強化推理模式遷移到下游任務中。

零樣本性能

如表 3 所示，RPT-14B 在所有基準測試中始終優于 R1-Distill-Qwen-14B。值得注意的是，RPT-14B 在 next-token 預測方面也超越了規模更大得多的 R1-Distill-Qwen-32B。

Next-Token 推理模式分析

如圖 6 所示，RPT-14B 的 next-token 推理過程與 R1-Distill-Qwen-14B 的問題解決過程明顯不同。表明 next-token 推理引發的推理過程與結構化問題解決存在質的差異。

最后，本文還在表 4 中提供了一個推理模式的示例。他們表明，RPT-14B 參與的是深思熟慮的過程，而非簡單的模式匹配。