OpenAI o1和o3模型的發(fā)布證明了強(qiáng)化學(xué)習(xí)能夠讓大模型擁有像人一樣的快速迭代試錯、深度思考的高階推理能力，在基于模仿學(xué)習(xí)的Scaling Law逐漸受到質(zhì)疑的今天，基于探索的強(qiáng)化學(xué)習(xí)有望帶來新的Scaling Law。

近日，清華大學(xué)NLP實(shí)驗(yàn)室、上海AI Lab、清華大學(xué)電子系、OpenBMB社區(qū)等團(tuán)隊(duì)提出一種新的結(jié)合過程獎勵的強(qiáng)化學(xué)習(xí)方法——PRIME（Process Reinforcement through IMplicit REwards）。

采用PRIME方法，研究人員不依賴任何蒸餾數(shù)據(jù)和模仿學(xué)習(xí)，僅用8張A100，花費(fèi)一萬塊錢左右，不到10天時間，就能高效訓(xùn)練出一個數(shù)學(xué)能力超過 GPT-4o、Llama-3.1-70B的7B模型 Eurus-2-7B-PRIME。

具體而言，研究人員利用Qwen2.5-Math-7B-Base作為基座模型，訓(xùn)練出了新模型Eurus-2-7B-PRIME，并在美國IMO選拔考試AIME 2024上的準(zhǔn)確率達(dá)到26.7%，大幅超越GPT-4o，Llama3.1-70B和Qwen2.5-Math-7B-Instruct，且僅使用了Qwen Math數(shù)據(jù)的 1/10。其中，強(qiáng)化學(xué)習(xí)方法PRIME為模型帶來了16.7%的絕對提升，遠(yuǎn)超已知的任何開源方案。

該項(xiàng)目一經(jīng)開源就在海外AI社區(qū)爆火，短短幾天Github取得近300star。

未來，基于PRIME方法和更強(qiáng)的基座模型有潛力訓(xùn)練出接近OpenAI o1的模型。

PRIME方法介紹

長久以來，開源社區(qū)嚴(yán)重依賴數(shù)據(jù)驅(qū)動的模仿學(xué)習(xí)來增強(qiáng)模型推理能力，但這種方法的局限也顯而易見——更強(qiáng)的推理能力需要更高質(zhì)量的數(shù)據(jù)，但高質(zhì)量數(shù)據(jù)總是稀缺，使得模仿和蒸餾難以持續(xù)。

雖然OpenAI o1和o3的成功證明了強(qiáng)化學(xué)習(xí)有著更高的上限，但強(qiáng)化學(xué)習(xí)有著兩個關(guān)鍵挑戰(zhàn)：（1）如何獲得精準(zhǔn)且可擴(kuò)展的密集獎勵；（2）如何設(shè)計可以充分利用這些獎勵的強(qiáng)化學(xué)習(xí)算法。

PRIME算法從隱式過程獎勵（implicit process reward）的思想出發(fā)解決這兩個問題。隱式過程獎勵模型可以僅在輸出獎勵模型（outcome reward model, ORM）的數(shù)據(jù)，即答案的最終對錯上進(jìn)行訓(xùn)練，而隱式地建模過程獎勵，最終自動訓(xùn)練出一個過程獎勵模型，這整個過程都有嚴(yán)格的理論保證。

詳細(xì)推導(dǎo)見：https://huggingface.co/papers/2412.01981

基于隱式過程獎勵模型的這種性質(zhì)，研究人員指出將其應(yīng)用于強(qiáng)化學(xué)習(xí)有三大優(yōu)勢：

• 過程獎勵：隱式過程獎勵模型能夠?yàn)槊總€ token 提供價值估計，在提供過程獎勵的同時無需訓(xùn)練額外的價值模型（value model）
• 可擴(kuò)展性：隱式過程獎勵模型只需結(jié)果標(biāo)簽即可在線更新。所以，我們可以結(jié)合策略模型采樣與結(jié)果驗(yàn)證器來直接更新PRM，有效緩解分布偏移與可擴(kuò)展性問題。
• 簡潔性：隱式過程獎勵模型本質(zhì)上就是一種語言模型。在實(shí)踐中，研究人員發(fā)現(xiàn)可以直接用初始的策略模型初始化PRM。

隱式過程獎勵解決了PRM在大模型強(qiáng)化學(xué)習(xí)中怎么用，怎么訓(xùn)，怎么擴(kuò)展的三大問題，甚至不需要訓(xùn)練額外的獎勵模型就可以開始強(qiáng)化學(xué)習(xí)，易用性和可擴(kuò)展性極佳。

具體的PRIME算法流程如下圖所示，它是一種在線強(qiáng)化學(xué)習(xí)算法，能夠?qū)⒚總€token的過程獎勵無縫應(yīng)用于強(qiáng)化學(xué)習(xí)流程中。

實(shí)驗(yàn)結(jié)果

研究人員詳細(xì)比較了PRIME算法和基線方法。

相比于僅用結(jié)果監(jiān)督，PRIME有著2.5倍的采樣效率提升，在下游任務(wù)上也有著顯著提升。

研究人員還驗(yàn)證了PRM在線更新的重要性，可以看到，在線的PRM更新要顯著優(yōu)于固定不更新的PRM，這也證明了PRIME算法設(shè)計和合理性。

此外，研究人員還額外收集數(shù)據(jù)，基于Qwen2.5-Math-Instruct訓(xùn)練了SOTA水平的EurusPRM，能夠在Best-of-N采樣中達(dá)到開源領(lǐng)先水平。

Showcase演示

Question （AIME 2024試題，Claude-3.5-Sonnet做錯）

Answer

Question

Which number is larger? 9.11 or 9.9?

Answer

強(qiáng)化學(xué)習(xí)是連接已有智能體（大模型）和現(xiàn)實(shí)世界（世界模型，具身智能）的橋梁，以及將世界反饋內(nèi)化為模型智能的路徑，將在下一代人工智能的發(fā)展中起到重要作用。PRIME 算法創(chuàng)新性地將隱式過程獎勵與強(qiáng)化學(xué)習(xí)結(jié)合，解決了大模型強(qiáng)化學(xué)習(xí)的獎勵稀疏問題，有望推動大模型復(fù)雜推理能力的進(jìn)一步提升。

blog鏈接：https://curvy-check-498.notion.site/Process-Reinforcement-through-Implicit-Rewards-15f4fcb9c42180f1b498cc9b2eaf896fGitHub鏈接：https://github.com/PRIME-RL/PRIME