OpenAI没做到，DeepSeek搞定了！开源引爆推理革命

【导读】100多天前，DeepSeek-R1凭借低训练成本，名噪一时。而强化学习算法GRPO，是背后最大的功臣之一。然而，开源界对强化学习算法的探索并没有终结。

DeepSeek-R1引爆了LLM推理革命。

DeepSeek-R1的秘籍在于强化学习微调算法：群体相对策略优化（Group Relative Policy Optimization，GRPO）。

未来，LLM的训练将不再是单纯的数据训练，而是将推理能力作为标准流程。

那为什么强化学习能提高LLM的推理能力？

DeepSeek-R1的GRPO，有哪些身前身后事？

在后DeepSeek-R1时代，GRPO又引发了哪些奇思妙想？

什么是推理模型？

首先要面对的核心问题是：什么是推理？

简单来说，推理是一种通过推导和训练手段，使大语言模型（LLMs）更擅长处理复杂任务的能力。

技术一点的说法是：

推理是指LLM在给出最终答案之前，能先生成一系列中间步骤的能力。

这个过程通常被称为「思维链」（Chain-of-Thought，简称CoT）推理。

在CoT推理中，模型会显式地生成一系列结构化的陈述或计算步骤，来说明它是如何得出结论的。

下图展示了这一定义及其示意。

大语言模型（LLM）处理多步骤推理任务示意图

在多步骤推理任务，与直接回忆某个事实不同，推理模型需要结合多个中间推理步骤，才能得出正确的结论。

这些中间推理步骤是否展示给用户，取决于具体的实现方式。

LLM强化学习黑话小抄

RLHF基础：一切的起点

用于构建和优化推理模型的强化学习（RL）训练方法，基本上都与人类反馈强化学习（RLHF）有关——

这也是目前用来开发和对齐传统大语言模型（LLMs）的主流手段。

因此，在深入讨论基于强化学习的推理优化方法之前，我们先简要回顾一RLHF是如何工作的。

传统LLM的三阶段训练流程：

• 预训练（Pre-training）：使用大规模语料让模型学习通用语言模式和知识。

• 监督微调（Supervised Fine-tuning）：用人工标注的任务数据进一步训练模型，让AI更擅长完成具体任务。

• 对齐阶段（Alignment，通常通过RLHF）：让模型更符合人类偏好，提升交互体验与安全性。

RLHF训练流程会从预训练模型开始，然后通过监督学习进行微调。

这一步还不属于强化学习，而是为后续的RL打下基础的前置步骤。

接下来，RLHF会使用强化学习算法，进一步对LLM进行对齐。

这是本文的重点。

整个RLHF流程分为三大步骤：

RLHF第一步（前置步骤）：监督微调预训练模型

这一步的目标是通过人工标注的数据对模型进行有监督学习，构建一个适合后续RLHF微调的基础模型

RLHF第二步：构建奖励模型（Reward Model）

收集多个回答并让人类标注哪一个更好，以此训练一个模型，能够根据输出内容给出高或低的「奖励分数」。

RLHF第三步：强化学习微调

使用奖励模型的评分结果作为奖励信号，利用PPO等算法更新语言模型的策略，使其输出更符合人类偏好。

RLHF第一步要创建或从已有数据集中采样一批提示语（prompts），然后由人类标注者为这些提示语编写高质量的参考回答。

接着，我们使用这些人工标注的数据对预训练语言模型进行监督微调（SFT）。

正如前面提到的，这一步并不属于强化学习，而是作为后续RLHF微调的前置准备。

RLHF第二步将第一步微调后的模型用于构建一个奖励模型（Reward Model）。如下图所示：

我们让人类对多个模型生成的回答进行排序，然后用这些排序数据来训练奖励模型，让它能根据回答的质量输出相应的评分。

这个奖励模型将在接下来的强化学习微调中，作为模型行为的评估依据。

RLHF第三步（也是最后一步）使用在第二步中训练好的奖励模型，为模型生成的回答打分，然后基于这些评分，使用近端策略优化（PPO）等算法对SFT模型进行强化学习微调。

这是强化学习发挥作用的地方。

通过强化学习，模型会逐步调整其输出策略，使其更倾向于生成高奖励（即更符合人类偏好）的回答，从而实现真正的人类反馈对齐训练。

OpenAI的PPO

一开始，RLHF采用的是近端策略优化PPO。

PPO在架构中使用了四个不同的语言模型：

一个策略模型（正在训练的模型）、

一个参考模型（原始模型的冻结副本）、

一个奖励模型（基于人类偏好进行训练）

和一个值模型（估计长期奖励）。

这些模型都包含需要反向传播来优化的可训练参数，这消耗大量的GPU内存和计算周期，使得训练过程变得笨重且昂贵。

监督学习能够快速定义损失函数，且通常无需大量超参数调整。整个过程直观、稳定、可控。

但在强化学习中，成功的路径就不那么明确了：

强化学习算法往往包含许多相互依赖的模块，调试困难。

而且要想获得良好结果，通常需要投入大量的精力进行调参和结构调整。

这也是PPO被广泛采用的原因之一——

它在实现简便性、样本效率和调参难度之间取得了较好的平衡。

PPO的核心思想是：

在每一步中计算一次策略更新，既能最小化代价函数，又能确保新策略与旧策略之间的偏差不会过大。

OpenAI提出了全新目标函数，增强了PPO算法的稳定性和实用性。

其主要公式如下：

其中：

• (q,a)是数据分布D中的一个问答对。

• πθ表示新策略模型输出的概率。

• 行为策略πθold表示旧策略模型的输出概率。

• πθ/πθold是重要性采样比（importance ratio），主要用于确保新旧模型的分布不会相差太大。

• ε是用于裁剪重要性比值的参数，用来限制模型分布的变化，防止变化过大或过小。

• ^A_t是优势函数（advantage function），主要来源于奖励模型和价值模型的评分。

• R_l是奖励模型的评分。

• V是价值模型的评分。

图1：在RL训练过程中，应用Clip-Higher策略前后，AIME测试集上的准确率和演员模型生成概率的熵对比

图1展示了在使用与不使用裁剪参数的情况下，模型在AIME数据集上的表现和生成的熵值对比；可以明显看到，加入裁剪参数后，模型性能和熵值都有显著提升。

DeepSeek的GRPO

传统PPO训练方法往往代价高昂，需要消耗大量GPU计算时数，导致训练成本居高不下，实际应用门槛远超个人开发者和小型研究团队的承受范围。
突破性进展来自DeepSeek。

他们推出了PPO算法的改进「平替版本」GRPO：

在提升数学推理能力的同时，显著优化了PPO的内存使用效率。

DeepSeek-R1训练流程

创新的核心动机在于提升计算效率。

该效率提升主要通过以下方式实现：

剔除「评论家」（价值模型）：即传统用于计算价值函数（预期未来收益）的大语言模型组件

采用相对质量评估：通过对策略模型本身生成的多组答案进行质量对比，直接计算优势函数，取代传统依赖额外模型估算奖励的方法

这一创新显著降低了训练推理模型的计算需求，即使是「GPU资源匮乏」的团队，也能开发出复杂的推理能力。

其公式如下：

GRPO的主要变化包括：

• 每个提示语（prompt）采样多次形成一个组，然后使用该组中奖励值的标准化结果作为优势值。

• 引入KL散度作为正则项，对策略变化加以限制。

• 由于GRPO主要用于数学或逻辑推理类问题，它使用的奖励模型也是基于规则的。例如：

其中，y是标准答案，y^是预测答案。

GRPO的开源升级版：DAPO

然而，当前顶尖推理型大模型的关键技术细节（如OpenAI的o1技术博客和DeepSeek-R1技术报告中的内容）仍处于黑箱状态，导致学术界难以复现他们强化学习训练成果。
于是，开源的解耦裁剪与动态采样策略优化（Decoupled Clip andDynamic sAmplingPolicyOptimization，DAPO）问世了。

DAPO为每个与答案a配对的问题q采样一组输，并通过以下目标函数优化策略：

DAPO包含以下几个关键技术点：

• Clip-Higher（高限裁剪）：提升系统多样性，避免熵崩溃。在策略梯度损失中提高重要性采样比率（importance sampling ratio）的上裁剪限值，以缓解该问题。

• Dynamic Sampling（动态采样）：提升训练效率与稳定性。动态采样策略可以过滤掉准确率为1或0的提示组（prompt groups），并在各批次中保持有效梯度提示的数量一致。

• Token-level Policy GradientLoss（Token级策略梯度损失）：在长链思维推理（long-CoT）强化学习场景中至关重要。

• Overlong Reward Shaping（过长奖励重塑）：降低奖励噪声，稳定训练过程。

高限裁剪

从前面的公式可以看出，对于裁剪参数，DAPO同时引入了「低裁剪」ε_{low}和「高裁剪」ε_{high}两个界限。

这是因为：

• 高裁剪限制模型的探索能力，避免模型过度增加低概率token的概率，从而控制生成多样性；

• 低裁剪确保高概率token的概率不会骤降，保持模型输出的稳定性。

低概率token的更新空间远小于高概率token。

此外，DAPO的实验中发现，被裁剪的token的最大输出概率通常小于0.2。

这也证明了高裁剪限制了低概率token概率的提升，进而抑制了模型的多样性。如图2所示：

图2：最大裁剪概率

高低双裁剪的策略如下：

• ε_{low}：用于限制高概率token概率的下降，防止其概率骤减，通常设置得较小；

• ε_{high}：用于限制低概率token概率的增加，允许更多探索空间，通常设置得较大。

在DAPO中，有ε_{low} <ε_{high}，因此：< pan>

• 当A>0（即奖励为正）时，裁剪上限为(1+ε_{high})，较大的ε_{high}可避免低概率token被过早裁剪，允许其更新；

• 当A<0（即奖励为负）时，裁剪下限为(1−ε_{high})，适当限制高概率token的更新速度，避免其概率下降过快。

动态采样

在当前强化学习算法中，同一个prompt需要采样多次形成一个group。

如果该组内所有采样结果的正确率都是1（即奖励全为正）或全为0（即奖励全为负），那么该组的优势值\hat{A}为0，导致无法产生有效的梯度更新，降低了样本效率。

如下图3所示，随着训练进行，有效样本在batch中的占比逐渐下降：

图3：准确率为1的样本比例

为了解决这个问题，DAPO引入了动态采样机制：

• 在训练前，过滤掉奖励全为0或全为1的group；

• 保证每个batch中的样本都能产生有效梯度，同时维持batch的大小一致；

• 随着训练步数增加，模型准确率提高，被过滤的样本也随之增多，因此虽然训练速度不一定加快，但样本效率更高，有助于模型更快收敛。

Token级策略梯度损失

在原始的GRPO中，损失是基于样本整体计算的。这种做法可能导致长文本中的token学习效果较差。

例如：

• 长输出样本的token损失为：

• 短输出样本的token损失为：

计算总损失L_{long}+L_{short}时，虽然平均了，但因为N₁>N₂，导致长样本的学习权重被稀释。

此外，实验也发现长内容容易生成无意义token，应该给予更多关注。

因此DAPO将损失改为每个token直接参与计算，总损失形式如下：

上述例子中的损失形式也相应变为：

过长奖励重塑

在大语言模型（LLMs）训练中，通常会设置max_token限制生成长度，超过这个长度的样本会被截断。

如果对这些截断样本的奖励设计不合理，可能会引入奖励噪声，干扰训练。

过去的方法通常会对这些样本进行惩罚，但这可能导致本应合理的长答案被错误惩罚。

为此，DAPO引入了惩罚过渡区间，其奖励设计如下：

• 设定L_{cache}为缓冲区；

• L_{max}为最大长度；

• |y|为当前生成文本的长度。

当∣y∣+Lcache≤Lmax时，文本长度小于最大允许长度max_token，因此不施加惩罚。

当∣y∣+Lcache>Lmax且∣y∣

当∣y∣≥Lmax时，施加最大惩罚。

图4展示了在基准设置下，使用动态采样前后的训练进度变化。

图4：在基准设置下，应用动态采样前后的训练进度对比

自我反思与回溯能力的出现

在DAPO的训练过程中，研究人员还观察到了模型具有「反思」和「回溯」的能力，而这类能力在原始数据集中并未出现。

这与DeepSeekR1报告中的发现一致。

虽然目前还不清楚这一能力产生的根本原因，但它为未来的优化提供了新的方向。

图5展示了强化学习中「反思行为」的涌现现象。

图5：强化学习中反思行为的出现

参考资料：

https://pub.towardsai.net/the-evolution-of-grpo-dapo-d96000d0d81f

https://openai.com/index/openai-baselines-ppo/

https://www.k-a.in/grpo.html

https://magazine.sebastianraschka.com/p/the-state-of-llm-reasoning-model-training

https://arxiv.org/pdf/2503.14476