來源：機器之心

如今，強化學習（RL）已成為提升大語言模型（LLM）復雜推理與解題能力的關鍵技術范式，而穩(wěn)定的訓練過程對于成功擴展 RL 至關重要。由于語言具有強烈的上下文屬性，LLM 的 RL 通常依賴序列級獎勵 —— 即根據完整生成序列給一個標量分數。

然而，主流 RL 算法（如 REINFORCE 與 GRPO）普遍采用基于 token 的優(yōu)化目標。這種「獎勵在序列級、優(yōu)化在 token 級」的不匹配引發(fā)了對于它們理論健全性與訓練穩(wěn)定性的擔憂，因此已經有研究嘗試直接使用序列級優(yōu)化目標。

此外，token 級優(yōu)化目標在混合專家（MoE）模型的 RL 訓練中帶來了新的挑戰(zhàn)，比如 MoE 的動態(tài)專家路由機制可能破壞 token 級重要性采樣比的有效性。由此引出的關鍵問題是：在什么條件下，用 token 級目標優(yōu)化序列級獎勵是合理的？有效程度又是怎樣的？

針對這些問題，阿里千問團隊提出了一種針對 LLM 的全新 RL 公式化方法。核心洞察是：為了優(yōu)化序列級獎勵的期望值，可以使用一個替代（surrogate）token 級目標作為其一階近似。這一近似在以下兩種偏差都足夠小的條件下才成立：

• 訓練與推理之間的數值差異

• 用于采樣響應的 rollout 策略與需要優(yōu)化的目標策略之間的偏差

這一觀點從原理上解釋了多種 RL 穩(wěn)定訓練技巧的有效性，比如 1）重要性采樣權重天然出現(xiàn)在基于該一階近似的 token 級替代目標中；2）剪切（Clipping）機制通過限制策略變化幅度來抑制策略陳舊；3）在 MoE 中，路由重放（Routing Replay）方法通過在策略優(yōu)化過程中固定專家路由，能夠同時減少訓練–推理差異與策略陳舊，從而提高訓練穩(wěn)定性。

• 論文標題：Stabilizing Reinforcement Learning with LLMs: Formulation and Practices

• 論文地址：https://www.arxiv.org/pdf/2512.01374

為驗證本文理論洞察并探索實現(xiàn)穩(wěn)定 RL 訓練的有效實踐，團隊使用一個 30B 參數的 MoE 模型進行大量實驗，總計耗費數十萬 GPU 小時。

主要結論包括如下：

• 在 on-policy 訓練中，帶重要性采樣校正的基本策略梯度方法能夠實現(xiàn)最高的訓練穩(wěn)定性；

• 在引入 off-policy 更新以加速收斂時（即將大規(guī)模生成的響應批次拆分成多個 mini-batch 進行多次梯度更新），要緩解因策略陳舊而導致的不穩(wěn)定性，就必須同時使用 Clipping 與 Routing Replay；

• 在訓練穩(wěn)定后，不同冷啟動方式的模型最終性能趨于一致。這說明未來研究應更關注 RL 方法本身，而不必過度強調冷啟動細節(jié)。隨著 RL 訓練的持續(xù)，冷啟動帶來的差異最終會消失。

大語言模型（LLM）強化學習的公式化方法

團隊將一個由參數 θ 表示的自回歸大語言模型（LLM）定義為策略 π_θ。他們使用 表示提示集，用 表示數據集。在策略 π_θ 下，給定提示 x，模型生成響應 y 的似然可寫作，其中 |y| 是響應 y 的 token 數。

由于團隊采用的是序列級獎勵設置，即對整個響應 y 賦予一個標量獎勵 R (x, y)，因此專注于序列級優(yōu)化，而不考慮基于價值函數的設置（比如 PPO），其中每個 token 會從價值模型獲得一個標量評分從而引導策略優(yōu)化。

至于為什么不采用價值函數方法，是因為團隊發(fā)現(xiàn)：構建通用、可擴展且可靠的價值模型本身就極為困難（甚至幾乎不可能）。

直接優(yōu)化期望序列級獎勵非常困難

團隊的公式化方法從真正希望最大化的序列級獎勵期望出發(fā)：

其中 π_θ 是目標策略。由于模型生成響應通常并非在訓練引擎（如 Megatron、FSDP）中完成，而是在推理引擎（如 SGLang、vLLM）中進行，團隊采用重要性采樣（IS）來完成等價的變換：

Token 級目標作為序列級目標的一階近似

關鍵步驟是引入以下替代的 token 級優(yōu)化目標：

其梯度為：

這一梯度形式實際上就是帶 token 級重要性采樣權重的基本策略梯度算法（REINFORCE）。核心洞察是：公式 (3) 中的 token 級目標可以視為公式 (1) 中序列級目標的一階近似。也就是說，團隊用一個更易優(yōu)化的 token 級替代目標來逼近真正希望最大化的序列級期望獎勵。

一階近似成立的條件

為了使上述一階近似有效，需要滿足一個關鍵條件：目標策略 π_θ 與 rollout 策略 μ_{θ_old} 必須足夠接近。這一點乍看不太直觀，因此為了便于理解，對于給定的提示 x 和任意 token y_t，團隊將其重要性采樣權重（IS）重寫為：

MoE 模型的挑戰(zhàn)及 Routing Replay 方法

對于 MoE 模型而言，使一階近似成立的條件變得更為復雜。具體來說，在生成每個 token 的前向計算中，MoE 模型會通過專家路由機制動態(tài)選擇并激活少量專家參數。將專家路由納入公式 (5) 后，MoE 模型的 token 級 IS 權重可寫為：

由此可以看出，MoE 場景下的強化學習挑戰(zhàn)在于：專家路由與訓練 — 推理差異、策略陳舊的緊密耦合，從而更容易導致公式 (3) 中基于一階近似的 token 級替代優(yōu)化目標失效。

Routing Replay 使一階近似重新成立，但可能引入偏差

由于專家路由會削弱 MoE 模型中一階近似的有效性，可通過 Routing Replay 方法消除這一影響。Routing Replay 的核心思想是在策略優(yōu)化過程中固定路由到的專家，從而穩(wěn)定 MoE 模型的 RL 訓練，使其在優(yōu)化行為上更接近稠密模型。

Routing Replay 主要有兩種具體實現(xiàn)方式：Vanilla Routing Replay（R2） 與 Rollout Routing Replay（R3）。

R2 的目標是減輕專家路由對策略陳舊的影響，其方法是在梯度更新階段，復現(xiàn)訓練引擎中 rollout 策略所選擇的路由專家：

R3 的目標是減輕專家路由對訓練 — 推理差異的影響，其實現(xiàn)方式是在訓練引擎中統(tǒng)一復現(xiàn)推理引擎中 rollout 策略所選定的路由專家。這一做法不僅降低了訓練 — 推理差異，也同時緩解了專家路由對策略陳舊的影響：

實驗結果

在實驗中，團隊對公式 (3) 的 REINFORCE 優(yōu)化目標進行了兩項最小化修改，從而構建了一個極簡基線算法，稱為 MiniRL。

團隊在數學推理任務上進行了實驗，內容為：模型生成的回答會與標準答案比對，并獲得一個二值獎勵。團隊構建了包含 4096 道、均具有經過驗證答案的數學題目作為 RL 訓練的提示集。評測時，團隊在 HMMT25、AIME25 和 AIME24 基準上（這三個基準共包含 90 道競賽級數學題）分別采樣 32 個響應，并報告其平均準確率。

實驗采用了從 Qwen3-30B-A3B-Base 微調得到的冷啟動模型。訓練采用 BF16 精度，而推理由于使用 FP8 精度而具有更低數值精度，從而構成一種嚴格的應力測試場景，即訓練與推理之間存在較大的數值差異。除了訓練獎勵，團隊還監(jiān)測了兩項動態(tài)指標：目標策略的 token 級熵以及推理引擎與訓練引擎中 rollout 策略之間的 KL 散度。

On-policy 訓練結果

從下圖 1 中，團隊得到了以下觀察結果與結論：

• MiniRL（即帶重要性采樣校正的基本策略梯度算法）取得了最佳性能和最高訓練穩(wěn)定性。

• 即使訓練過程仍然穩(wěn)定，引入長度歸一化仍會導致性能下降。這一現(xiàn)象符合預期，因為長度歸一化破壞了對真實序列級獎勵的一階近似，從而使 token 級優(yōu)化目標產生偏差。

• 移除訓練 — 推理階段的 IS 校正會導致訓練迅速崩潰，并伴隨熵的急劇下降。這進一步驗證了：IS 權重是該一階近似中不可或缺的組成部分；一旦移除，token 級優(yōu)化目標將立即失效。

Off-policy 訓練結果

從下圖 2 至圖 4 中，團隊得到了以下觀察結果與結論：一旦引入 off-policy 更新，Routing Replay 與 clipping 都成為實現(xiàn)穩(wěn)定訓練的關鍵要素。

具體來講，如圖 2 和圖 3 所示，只要缺失 Routing Replay 或 clipping 中的任一項，訓練都會提前崩潰，進而導致峰值性能下降。這說明：Routing Replay 能夠緩解專家路由帶來的不穩(wěn)定因素；Clipping 則能有效抑制過度激進的策略更新。兩者共同作用，從而抑制策略陳舊，保障訓練穩(wěn)定性。

不同冷啟動初始化的結果

在下圖 5 中，團隊展示了三種不同的冷啟動初始化方式最終都取得了相近的性能。這一現(xiàn)象表明，研究重點應更多放在強化學習（RL）方法本身，而不必過度關注冷啟動初始化的具體細節(jié)。

此外，通過對比圖 1 至圖 4，團隊發(fā)現(xiàn)：無論是 on-policy 還是 off-policy，只要訓練過程得以穩(wěn)定，其峰值性能都高度一致。這些結果進一步說明：穩(wěn)定的訓練過程在成功擴展 RL 中起著決定性作用。

更多技術細節(jié)請參閱原論文。

閱讀最新前沿科技趨勢報告，請訪問歐米伽研究所的“未來知識庫”

https://wx.zsxq.com/group/454854145828

未來知識庫是“ 歐米伽 未來研究所”建立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學、互聯(lián)網、超級智能，數智大腦、能源、軍事、經濟、人類風險等等領域的前沿進展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進入。