即使是一个非常简单的强化学习设置，并没有太多RL算法的复杂性，也能在有限的计算资源下产生涌现的结果。

　　在具体设计过程中，他特别考虑强化学习中LLM中的应用和传统强化学习问题在状态空间和动作空间的不同。

　　采用轻量级强化学习算法——Reinforce-Lite生成的推理过程之一。我们将一步步看到，端到端的强化学习微调模型如何表现出智能、回溯、自我反思、逻辑推理等迹象

　　结果，令人出乎意料的事情发生了：只用不到10美元的成本，他就在一个3B模型上复刻了DeepSeek的顿悟时刻。

　　几乎就像是这个3B模型本身就具备了做出惊人事情的潜力，我们需要的，只是通过正确的方式赋予它一定的自主性而已。

　　接下来，让我们看一下Raz的博客，感受一下这次超经济实惠的AI推理，是怎样突破的。

　　复刻DeepSeek顿悟时刻，只用不到10美元

　　我们能否在计算资源有限的情况下，让一个3B模型具备回溯、自我反思、逻辑推理等推理能力？

　　研究人员猜测，通过强化学习也许能做到。

　　强化学习是最强大的学习算法之一，它一次又一次地为我们带来令人惊叹的成果。

　　然而，由于RL有许多动态部分，一涉及到众多组件，强化学习就变得复杂了。

　　在此过程中，强化学习需要精心设计重要元素，如合适的信用分配机制、演员-评论员的适当超参数调整、强化学习算法类型等，这就导致了强化学习在更广泛的范围内应用受限。

　　如果在LLM环境中使用强化学习，可能涉及的模型可以多达5个：

　　Reinforce-Lite：一个比PPO更简单、更稳定且更高效的微调方案

　　3B模型端到端强化学习训练的计算需求

　　由于涉及众多组件，不仅带来了计算负担，还带来了训练稳定性方面的复杂性和挑战。

　　因此，研究人员开始思考：能否从零开始重新构想整个算法，回归第一性原理？

　　他们的答案就是——一个简单的替代方案，Reinforce-Lite。

　　这种方法消除了对替代目标比率和旧策略模型的需求，通过单一策略神经网络来稳定训练过程，同时，还能为模型注入推理能力。

　　为此，我们需要理解的第一个问题就是——

　　使用替代目标比率是过度优化？

　　在MuJoCo、Atari、Dota等传统强化学习环境中，PPO对每个批次进行多次更新是至关重要的，这是因为在这些环境中数据收集成本非常高昂，而重复使用样本可以提高样本效率。

　　然而在LLM中，这种方法既无必要，又会带来巨大的计算开销。

　　LLM可以并行生成多样化的响应，自然形成丰富的数据集，因此就无需重复更新。

　　所有响应都可以使用相同的策略网络生成，一旦在序列生成结束时获得奖励，就可以进行梯度反向传播。

　　此外，在文本生成这样的高维动作空间中，每个batch多次更新可能导致过拟合，而非有意义的策略改进。

　　相反，如果每个batch单次更新，再结合分组归一化等技术，就可以在显著降低计算成本的同时，保持训练稳定性。

　　考虑到LLM训练本身就需要大量资源，在不影响性能的前提下简化优化过程，显然是更有效的选择。

　　从技术角度来看，这也消除了为计算替代目标比率而保留旧策略模型的需求。

　　LLM强化学习与经典强化学习的区别

　　总之，在这个算法中——

　　移除KL散度，不需要参考模型 ❌ ——改用梯度裁剪。虽然不是自适应的方法，但能有效完成任务。

　　移除替代目标，不需要旧策略模型 ❌

　　使用分组相对奖励进行优势计算，不需要价值网络 ❌

　　这样，我们就得到了一个轻量级的强化学习算法。

　　通过以上简化，优化问题最终就回归为经典的Reinforce算法——

　　在优势计算方面，研究人员采用分组相对策略优化的归一化技术，将每个问题的10个回应结果作为一组，并通过其归一化方法来降低梯度更新中的方差。

　　让我们来看看它在PyTorch中的具体实现。

　　初始化一个经过指令微调的LLM，并通过合适的提示词使其在 标签中包含推理步骤。

　　为模型输出定义一个奖励函数。通过正则表达式从标签中提取数值，并与数据集中的实际答案进行比较。

　　通过直接计算相对于奖励的梯度来优化策略，无需使用替代损失函数。

　　采用分组相对归一化优势计算值，从而消除对批评模型的依赖。采用10作为分组大小。

　　使用标准的对数概率梯度技巧对模型进行更新。

　　为了验证自己的假设，研究人员将使用GSM8K，这是一个包含小学数学问题及其答案的Grade School Math 8K数据集，格式如下：

　　问题：Natalia在4月份向她的48个朋友卖出了发夹，而在5月份她售卖的发夹数量是4月份的一半。Natalia在4月和5月总共售卖了多少个发夹？

　　虽然答案中就包含了完整的推理步骤，但让研究人员感兴趣的，只有###后的最终答案。

　　对此，研究人员引导策略模型，以格式输出了最终答案，并用它来验证模型计算的答案是否正确。

　　这更像是一个蒙特卡洛问题——在每个回合结束时，才能获得奖励。

　　研究人员把奖励机制设计得很简单易懂，对于策略模型：

　　答案正确时，给予正奖励+1

　　接下来，研究人员使用Reinforce-Lite算法，在RTX A6000显卡上训练了3B模型，训练时间为12小时，并采用大小为10的分组。

　　在训练初期，可以观察到：模型不断尝试增加输出序列/输出token的长度，但会经常遇到内存溢出问题，这就限制了模型尝试更长的推理过程，并从中有效学习。

　　奖励图表展示的是分组响应的平均得分。理想情况下，平均值越接近1，表示模型在大多数采样响应中的准确率越高。

　　在这次实验中，研究人员只训练了数百次迭代，可以观察到当策略模型尝试不同策略时，得分会出现一定波动。

　　这种波动可以通过熵正则化来平衡探索与利用之间的关系，这是他们未来探索的一个方向。

　　研究在GSM8K数据集上评估了Reinforce-Lite，发现在有限训练时间内，Reinforce-Lite相比指令模型在得分上实现了小幅提升。

　　注意！这些推理轨迹，在常规的指令模型中均未观察到。

　　比如在下图中，模型展现出了基本的数学推理能力。它能够通过代数表达式设立问题，并通过解方程来求解。

　　过程中，它能识别出不合理的解，在原方案不可行时选择调整解决方案，最终还能通过比较不同选择的成本，来做出最优决策。

　　在这道题中，模型表现出的处理包含条件推理和纠错的能力，也令人印象深刻。

　　它首先设定了问题背景，计算派对开始时的总人数。然后根据已知条件，计算出有10人离开派对。

　　然而，在计算离开的女性人数时，模型居然得出了一个负数，它意识到了自己的推理中，一定出现了逻辑错误。

　　为此，它重新审视了情况，修正了自己的推理，正确计算出派对上剩下了8名女性，从而得出正确答案。

　　这道题中，模型设定初始绷带数量为x，根据给定条件将绷带数量的变化转换为代数方程，但解出的方程结果是x=-6。

　　它意识到自己的错误后，回顾了之前的步骤，识别出自己在计算第三天的绷带使用量时犯了错。修正方程后，它重新计算出了正确结果。

　　整个过程中，它展现出了较强的自我纠错和逻辑推理能力，能在复杂计算过程中发现并修正问题。

　　总结来说，这项研究主要有以下发现。

　　从生成的序列中可以观察到，经过RL微调的模型在评估得分上实现了小幅提升。

　　研究表明，对LLM进行微调只需要一个策略网络即可，无需采用PPO的复杂机制。

　　Reinforce-Lite作为一个计算友好型算法，支持端到端的RL训练，同时显著降低了训练复杂度。

　　算法成功地赋予了LLM自主能力，让模型会通过尝试不同策略来获取奖励。

　　随着训练的进行，可以发现模型倾向于进行更长的推理过程，但在使用48GB GPU训练3GB模型时，如果超过1024个token，就会频繁出现内存溢出问题。

　　研究人员发现，使用简单的梯度裁剪就能有效替代KL散度计算，这是一种高效的替代方案，用于防止策略偏离。在整个训练过程中，模型策略保持稳定，未出现剧烈波动。

　　巧的是，最近来自微软亚洲研究院的一项工作，也证明了RL的巨大潜力——通过有效且稳定的RL训练后，一个7B模型，居然就发展出了反思、验证和总结的高级推理技能！

　　而这些技能，在逻辑语料库中是完全缺失的。

　　受DeepSeek-R1成功的启发，研究团队探索了基于规则的强化学习在大规模推理模型中的潜力。

　　一个能实现稳定收敛的简单训练方案

　　其中，训练框架采用REINFORCE++算法和来自DeepSeek-R1的奖励设计进行后训练。

　　随着RL训练的进行，可以观察到模型自然地分配更多的训练步骤用于推理。这种计算扩展从生成数百个token扩展到数千个token，使其能够更深入地探索和完善其思维过程。

　　结果显示，只有70亿参数的Qwen2.5-7B，在经过5K个逻辑问题的训练后，就发展出了一些在逻辑语料库中原本不存在的高级推理技能——如反思、验证和总结能力。

　　研究中，考验模型的这道逻辑题是这样的。

　　问题：一个非常特殊的岛屿上只住着骑士和骗子。骑士总是说真话，骗子总是说谎。你遇到两位岛民：Zoey和Oliver。Zoey说：Oliver说：请问，谁是骑士，谁是骗子？

　　正确答案：Zoey是骗子；Oliver是骑士。

　　这个谜题，因其合成设计和逻辑精确性而非常适合进一步分析。

　　首先，谜题对于模型来说都是未见过大数据，非常适合用来测试泛化能力。

　　其次，通过改变字符数量和逻辑运算的复杂性，可以调节难度。

　　而且，每个谜题都有一个单一、明确的正确答案，正确性由生成算法保证。解答需要严格的演绎推理，因此减少了奖励作弊的风险。

　　总之，每个谜题都遵循正式规则构建，能确保每个问题都有一个独特的解决方案，并可以确定性地验证。这消除了自然语言任务中常见的模糊性，使我们能够清晰地区分真正的推理能力和表面上的记忆。

　　在奖励建模中，研究在模型输出中不断检测作弊行为，并不断改进奖励设计。

　　最终，他们设计出了一种几乎无法作弊的基于规则的奖励系统，仅包含两种奖励类型：格式奖励和答案奖励。

　　以下就是不同的推理模型和通用模型在不同难度的K&K逻辑谜题上的表现。

　　在RL训练后，可以在模型中观察到以下涌现的行为。

　　1. 会出现犹豫和自我验证

　　在思考环节，模型会不时使用这类反思性表达。

　　这种自我审视的行为特征在预训练阶段是完全不存在的，而是通过奖励正确答案、惩罚错误答案的强化学习机制逐步培养形成的。

　　2. 多轮径探索和回溯

　　经过RL训练后，模型会主动提出多个解决方案，并通过回溯来检查解决方案的一致性。

　　尽管训练数据集中并未包含，但模型不仅能够通过系统性试错方法解决谜题，还自主整合了形式逻辑推理能力，这种推理模式与人类的问题解决方式高度相似。

　　模型在分析问题陈述时会临时插入中文表达，随后又能自然地转换为英语来提供解决方案。

　　这一现象表明，模型正在使用语言混合机制作为一种潜在的备选处理策略，或是形成了某种特殊的内部表征模式。

　　在具有挑战性的数学基准测试AIME和AMC上，模型展现出了卓越的泛化能力——成绩分别提高了125%和38%。

　　这种跨领域泛化能力表明，RL训练的推理启发式方法发展出了抽象的问题解决模式，而不是依赖于特定领域的模式匹配。

　　所以，这项研究的训练期间，也出现了吗？

　　换句话说就是，在强化学习过程中，模型的推理能力是否会发生显著的飞跃，出现多步验证或反思，而且这些行为不是在训练语料中明确植入的，而是模型与RL环境的互动所自然产生的？

　　研究人员发现，模型并没有出现这样特定的语言表述，但图4显示出，它在第10步时表现出了一些复杂的推理行为。

　　由此，研究人员的结论是，RL学习过程可能没有突如其来的——复杂的推理行为并不是在某个特定的训练步骤中突然出现的。

　　1. 反思性词汇的频率缓慢增加-；2. 会话性短语和谨慎词汇变得更加频繁-；3. 中文词汇开始出现在英文回复中。所有这些词汇的频率都在稳步发展，没有突然的跳跃，表明可能不存在明显的

　　除了上述技术贡献外，研究还有几个有趣的发现：

　　更长的回答并不能保证更好的推理。长度本身不是评估训练时间的有效指标。最有效的推理来自最短路径。

　　语言混合会阻碍推理。这一观察强调了在奖励建模中需要语言一致性惩罚。

　　增加token确实有帮助。RL训练自然地提高了与反思相关词汇的频率，表明某些token频率与性能之间存在相关性。

　　监督微调依赖记忆；RL实现泛化。SFT严重依赖记忆，往往导致表面的捷径学习，而RL则在最小依赖数据集结构的情况下自我演化。

　　冷启动是一个优势，但非必需。无论是从基础模型还是指令模型开始，训练动态都保持惊人的相似性，尽管后者表现略好。

　　课程学习仍然重要。在固定的数据筛选比例下，精心设计的课程学习方法总是优于随机打乱。