今早的一篇爆火論文，徹底顛覆了人們對(duì)「強(qiáng)化學(xué)習(xí)」的傳統(tǒng)認(rèn)知。

僅用隨機(jī)獎(jiǎng)勵(lì)，甚至是錯(cuò)誤答案，也能讓AI在數(shù)學(xué)推理中性能暴漲！

來(lái)自華盛頓大學(xué)、AI2、UC伯克利研究團(tuán)隊(duì)證實(shí)，「?jìng)为?jiǎng)勵(lì)」（Spurious Rewards）也能帶來(lái)LLM推理能力提升的驚喜。

地址：https://rethink-rlvr.notion.site/Spurious-Rewards-Rethinking-Training-Signals-in-RLVR-1f4df34dac1880948858f95aeb88872f

實(shí)驗(yàn)中，他們用偽獎(jiǎng)勵(lì)訓(xùn)練了Qwen2.5-Math-7B，在MATH-500數(shù)據(jù)集中發(fā)現(xiàn)：

格式獎(jiǎng)勵(lì)性能提升16.4%；錯(cuò)誤獎(jiǎng)勵(lì)提升24.6%；隨機(jī)獎(jiǎng)勵(lì)提升21.4%。

可見(jiàn)，偽獎(jiǎng)勵(lì)如同黑魔法，能夠讓Qwen的數(shù)學(xué)能力整體實(shí)現(xiàn)15-20%的飆升。

然而，對(duì)Qwen有效的偽獎(jiǎng)勵(lì)在其他模型中，如Llama3、OLMo2，突然失效。

值得一提的是，他們還發(fā)現(xiàn)RLVR可以激勵(lì)Qwen2.5-Math的獨(dú)特行為，其在代碼推理上，性能從66.7%飆升至90%。

即便是使用偽獎(jiǎng)勵(lì)，結(jié)果也是如此。

當(dāng)隨機(jī)獎(jiǎng)勵(lì)可以大幅提升模型性能，就得重新思考：到底是RL在學(xué)習(xí)，還是在放大「先驗(yàn)」行為？

谷歌DeepMind研究科學(xué)家Xidong Feng表示，這篇論文會(huì)讓一大堆LLM+RL的研究受到質(zhì)疑。

另一位DeepMind科學(xué)家Andrew Lampinen稱(chēng)贊道，這確實(shí)是一個(gè)反常識(shí)典型案例。

隨機(jī)獎(jiǎng)勵(lì)，竟破解了RLVR

在大模型訓(xùn)練中，可驗(yàn)證獎(jiǎng)勵(lì)強(qiáng)化學(xué)習(xí)（RLVR）是一種提升推理能力常見(jiàn)的策略。

傳統(tǒng)觀念認(rèn)為，RLVR的成功離不開(kāi)「高質(zhì)量」的獎(jiǎng)勵(lì)信號(hào)。

就好比，老師給學(xué)生的正確答案，或評(píng)分一樣，只有「教得對(duì)」，才能「學(xué)得好」。

而這項(xiàng)新研究，直接挑戰(zhàn)了RLVR這一觀念。

如上所見(jiàn)，即使獎(jiǎng)勵(lì)信號(hào)完全隨機(jī)，甚至給出誤導(dǎo)性的信號(hào)，Qwen-Math依然能在數(shù)學(xué)推理上取得驚人的進(jìn)步。

這到底是怎么回事？對(duì)此，研究人員發(fā)起了疑問(wèn)——

單樣本或無(wú)監(jiān)督RLVR的訓(xùn)練信號(hào)從何而來(lái)？獎(jiǎng)勵(lì)提供有意義的RLVR訓(xùn)練信號(hào)的最低要求是什么？

實(shí)驗(yàn)設(shè)置

針對(duì)Qwen-Math、Llama 3.1、OLMo2模型，研究人員為其設(shè)置了三種有趣的偽獎(jiǎng)勵(lì)形式：

· 格式獎(jiǎng)勵(lì)：僅回答包含 \boxed{} 就給予獎(jiǎng)勵(lì)。這種格式在模型系統(tǒng)中已指定，類(lèi)似指令遵循的概念。

· 隨機(jī)獎(jiǎng)勵(lì)：完全隨機(jī)的反饋。簡(jiǎn)單來(lái)說(shuō)，如果 random.random() < rate 則 1，否則 0

· 錯(cuò)誤獎(jiǎng)勵(lì)：故意提供錯(cuò)誤的監(jiān)督信號(hào)。

在錯(cuò)誤獎(jiǎng)勵(lì)中，人為構(gòu)造錯(cuò)誤且具有迷惑性答案的步驟：

按頻率對(duì)模型的輸出進(jìn)行排序；選取最常見(jiàn)的回答；如果該回答正確，則丟棄該樣本；在模型最常見(jiàn)回答錯(cuò)誤的子集上進(jìn)行訓(xùn)練，并使用該特定回答作為訓(xùn)練標(biāo)簽。

此外，在比較過(guò)程中，研究團(tuán)隊(duì)還引入了弱獎(jiǎng)勵(lì)：

· 多數(shù)投票獎(jiǎng)勵(lì)：以多數(shù)投票的答案作為標(biāo)簽

· 單樣本RL：在單個(gè)樣本上進(jìn)行標(biāo)準(zhǔn)RLVR

針對(duì)數(shù)學(xué)優(yōu)化的Qwen模型，不論是在MATH、AMC，還是AIME基準(zhǔn)上，數(shù)學(xué)推理性能都有大幅提升。

劇情反轉(zhuǎn)

偽獎(jiǎng)勵(lì)并非對(duì)所有模型都有效

然而，對(duì)于那些未針對(duì)數(shù)學(xué)推理優(yōu)化模型，研究人員觀察到了有趣的現(xiàn)象。

與其他模型不同，Qwen-Math在「?jìng)为?jiǎng)勵(lì)」下表現(xiàn)提升甚微。具體來(lái)說(shuō)，Qwen 2.5-7B在錯(cuò)誤獎(jiǎng)勵(lì)下的性能28.5%，接近于真實(shí)獎(jiǎng)勵(lì)的33.3%。

而在Llama3.1、OLMo2這兩款模型上，劇情更是出現(xiàn)了大反轉(zhuǎn)。

Llama3.1-8B-Instruct在錯(cuò)誤獎(jiǎng)勵(lì)在提升僅1.3%，而隨機(jī)獎(jiǎng)勵(lì)性能暴減4.9%。

與此同時(shí)，OLMo2-7B在偽獎(jiǎng)勵(lì)情況下，把性能衰退更是展現(xiàn)地淋漓盡致。

此外，研究團(tuán)隊(duì)還發(fā)現(xiàn)，對(duì)真實(shí)標(biāo)簽（ground truth labels）進(jìn)行簡(jiǎn)單的GRPO訓(xùn)練時(shí)，可以提升所有模型的性能。

其中，Qwen和Qwen-Math模型，相比Llama和OLMo模型提升更為顯著。

在多數(shù)投票獎(jiǎng)勵(lì)中，此前已有研究提出用其來(lái)提升模型的一致性。實(shí)驗(yàn)中，作者發(fā)現(xiàn)它確實(shí)對(duì)大多數(shù)模型都有幫助，但對(duì)OLMo無(wú)效。

針對(duì)格式獎(jiǎng)勵(lì)，他們還發(fā)現(xiàn)，僅教模型生成可解析的結(jié)果，就能在Qwen模型上獲得「巨大」的性能提升。

結(jié)果顯示，Qwen2.5-1.5B絕對(duì)性能提升高達(dá)49.9%。

但這種獎(jiǎng)勵(lì)，卻讓Llama3.2-3B-Instruct和OLMo2-SFT-7B的性能，分別降低了7.3%和5.3%。

有趣的是，模型的性能在達(dá)到峰值后，逐漸下降。

這里，研究人員推測(cè)這是因?yàn)槟Ｐ鸵选笇W(xué)會(huì)」該格式，進(jìn)一步訓(xùn)練不再提供更多信息。

在錯(cuò)誤獎(jiǎng)勵(lì)的實(shí)驗(yàn)中，Qwen模型性能仍顯著提升 ，但其對(duì)Llama無(wú)影響，并損害了OLMo-Base和OLMo-SFT的性能。

接下來(lái)，如果完全不看回答內(nèi)容，隨機(jī)分配0或1的獎(jiǎng)勵(lì)，會(huì)有效嗎？

答案是——對(duì)于Qwen是有效的，但對(duì)其他模型無(wú)效。

值得注意的是，隨機(jī)獎(jiǎng)勵(lì)對(duì)Qwen2.5-1.5B無(wú)效，且對(duì)Qwen2.5-7B需訓(xùn)練約120步后，才開(kāi)始生效。

因此，研究人員訓(xùn)練了更長(zhǎng)時(shí)間（300 步），發(fā)現(xiàn)模型在隨機(jī)獎(jiǎng)勵(lì)下的收斂水平低于其他有信號(hào)的獎(jiǎng)勵(lì)。

這種依賴于模型架構(gòu)的行為表明，RLVR的有效性更多取決于模型預(yù)訓(xùn)練時(shí)的能力，而非監(jiān)督信號(hào)的質(zhì)量。

如今，Qwen因強(qiáng)大推理性能，已成為開(kāi)源社區(qū)RLVR研究的默認(rèn)選擇。

針對(duì)以上「?jìng)为?jiǎng)勵(lì)」的實(shí)驗(yàn)結(jié)果，研究人員對(duì)未來(lái)的研究給出了一些建議。

近期兩項(xiàng)研究表明，RLVR僅在「弱監(jiān)督」下對(duì)Qwen模型有效，但這些結(jié)論無(wú)法推廣到其他模型系列：

1. 測(cè)試時(shí)強(qiáng)化學(xué)習(xí)（TTRL）：在測(cè)試階段，實(shí)時(shí)收集多個(gè)輸出答案，用多數(shù)投票結(jié)果作為獎(jiǎng)勵(lì)信號(hào)

2. 單樣本強(qiáng)化學(xué)習(xí)（1-shot RL）：僅用單個(gè)樣本的RLVR訓(xùn)練，就能達(dá)到傳統(tǒng)大規(guī)模訓(xùn)練集的效果

因此，未來(lái)的RLVR研究，還應(yīng)在其他模型上進(jìn)行驗(yàn)證。

偽獎(jiǎng)勵(lì)，為何在RLVR中有效？

現(xiàn)在，你可能會(huì)好奇——這到底是怎么回事？為什么這些偽獎(jiǎng)勵(lì)在Qwen-Math上有效？

研究人員假設(shè)，RLVR訓(xùn)練結(jié)果的差異源于各模型在預(yù)訓(xùn)練期間，學(xué)習(xí)的特定推理策略的不同。

特別是，某些策略可能更容易被RLVR激發(fā)，而其他策略可能更難以顯現(xiàn)或完全缺乏。

案例研究：代碼推理

通過(guò)仔細(xì)分析，研究者發(fā)現(xiàn)了一個(gè)關(guān)鍵洞察：

Qwen-Math在RLVR訓(xùn)練前，就有65.0%的概率使用Python代碼來(lái)解決數(shù)學(xué)問(wèn)題。

更令人印象深刻的是，即使沒(méi)有代碼執(zhí)行器，它也常常能生成正確的代碼輸出以及問(wèn)題的正確答案。

然而，這種頻繁且高質(zhì)量的代碼推理能力在其他模型中并不存在。在應(yīng)用RLVR后，無(wú)論獎(jiǎng)勵(lì)質(zhì)量如何，Qwen-Math 的代碼推理頻率平均增加到超過(guò)90%。

如下示例中，展示了Qwen-Math-7B如何精確預(yù)測(cè)3√13到小數(shù)點(diǎn)后15位。

令作者驚訝的是，這比iPhone計(jì)算器還多出一位精度。

這種推理策略的轉(zhuǎn)變，而非獲得新的推理技能，似乎是性能提升的一種驅(qū)動(dòng)力。

Qwen模型通過(guò)RLVR訓(xùn)練學(xué)會(huì)更多地使用代碼推理——從語(yǔ)言推理到代碼推理的轉(zhuǎn)變有效地提升了性能。

對(duì)于Qwen-Math和Qwen模型，代碼使用頻率與性能高度相關(guān)。

代碼越多，正確答案越多，反之亦然。

然而，在那些能生成代碼但無(wú)法生成高質(zhì)量代碼的模型，如OLMo2-7B-SFT，這種相關(guān)性是相反的。

由此，研究人員得出——生成代碼以輔助數(shù)學(xué)推理訓(xùn)練策略，Qwen-Math能加以有效利用，而其他模型家族則不然。

正確的推理策略，性能提升比？

更有趣的是，研究人員還追蹤了RLVR前后推理策略發(fā)生切換的問(wèn)題，并分析性能提升的具體來(lái)源。

如下圖所示，「?jìng)为?jiǎng)勵(lì)」在將模型行為切換到代碼推理方面更為激進(jìn)，且很少將原本的代碼推理行為轉(zhuǎn)為自然語(yǔ)言推理。

令人印象深刻的是，偽獎(jiǎng)勵(lì)下的RLVR似乎做出了正確的選擇——從自然語(yǔ)言推理切換到代碼推理的問(wèn)題，性能提升了約55%。

另一方面，真實(shí)獎(jiǎng)勵(lì)則將自然語(yǔ)言推理的性能提升了60.2%！

接下來(lái)，研究人員進(jìn)一步量化了每種策略切換行為，對(duì)各模型性能提升的貢獻(xiàn)。

有趣的是，如果模型擅長(zhǎng)代碼推理（代碼準(zhǔn)確率>語(yǔ)言準(zhǔn)確率），RLVR性能提升主要來(lái)自從語(yǔ)言推理到代碼推理的切換；反之亦然。

成功引導(dǎo)模型推理策略的獎(jiǎng)勵(lì)對(duì)總體性能提升的部分貢獻(xiàn)平均值

基于這些初步觀察中的強(qiáng)相關(guān)性，他們假設(shè)代碼推理是Qwen模型在數(shù)學(xué)任務(wù)中表現(xiàn)優(yōu)異的一種推理行為。

為了驗(yàn)證這一假設(shè)，研究人員通過(guò)提示和RL明確約束模型生成代碼推理。

結(jié)果觀察到，所有測(cè)試模型的代碼推理頻率與基準(zhǔn)測(cè)試性能之間存在強(qiáng)相關(guān)性。（相關(guān)性的方向取決于特定模型的代碼質(zhì)量）。

· 通過(guò)提示誘導(dǎo)代碼推理

簡(jiǎn)單提示模型以「讓我們用Python解決這個(gè)問(wèn)題」開(kāi)始回答，這顯著提升了 Qwen-Math 模型的性能，但降低了Llama和OLMo模型的性能。

· 通過(guò)強(qiáng)化學(xué)習(xí)誘導(dǎo)代碼推理

在提示實(shí)驗(yàn)成功后，研究者設(shè)計(jì)了一個(gè)額外的偽獎(jiǎng)勵(lì)，只要回答中包含字符串「python」，就給予獎(jiǎng)勵(lì)。

這強(qiáng)烈鼓勵(lì)所有模型使用代碼推理，在第50步后代碼推理占比>99%。

在下圖中，展示了類(lèi)似趨勢(shì)，但通過(guò)RL訓(xùn)練模型使用更多Python代碼時(shí)，效果更加顯著。Qwen-Math和Qwen2.5-7B的性能提升，而其他模型的性能下降。

但，為什么是隨機(jī)的？

當(dāng)研究人員看到使用 random.random() < 0.5 生成的獎(jiǎng)勵(lì)，使得訓(xùn)練曲線上升時(shí)，感到非常困惑。

完全無(wú)意義的獎(jiǎng)勵(lì)——不提供任何信息的獎(jiǎng)勵(lì)——怎么可能幫助模型學(xué)習(xí)？

這個(gè)悖論讓我們開(kāi)始尋找 AI 的「?jìng)惗厣⒘Α梗↙ondon dispersion force of AI）——就像電中性原子之間仍然神秘地相互吸引一樣。

在深入研究GRPO后，作者發(fā)現(xiàn)裁剪（clipping）項(xiàng)可能是關(guān)鍵。他們通過(guò)以下三種方法對(duì)裁剪因子進(jìn)行了消融實(shí)驗(yàn)：

(a) 直接在損失計(jì)算中禁用裁剪，

(b) 調(diào)整訓(xùn)練和rollout批大小，使展開(kāi)模型與策略模型保持一致，

(c) 減少展開(kāi)大小以維持等效條件。

方法 (b) 和 (c) 確保每次展開(kāi)步驟僅進(jìn)行一次梯度更新，自然避免了裁剪約束。

在 Qwen2.5-Math-7B 上消融 GRPO 中裁剪項(xiàng)時(shí)的性能和代碼推理頻率。使用隨機(jī)獎(jiǎng)勵(lì)并啟用裁剪的訓(xùn)練增加了代碼推理模式并提升了性能。

總體而言，所有無(wú)裁剪運(yùn)行的方差都很大，尤其是那些進(jìn)行8次梯度更新，且物理關(guān)閉裁剪功能的運(yùn)行（綠色）。

這些無(wú)裁剪運(yùn)行的平均值與啟用裁剪和隨機(jī)獎(jiǎng)勵(lì)的標(biāo)準(zhǔn)GRPO損失相比，呈現(xiàn)出平坦的曲線。

在標(biāo)準(zhǔn)GRPO裁剪下，隨機(jī)獎(jiǎng)勵(lì)讓Qwen2.5-Math-7B性能提升21%，并增加了代碼推理模式。

但當(dāng)研究人員通過(guò)上述三種方法消除裁剪效果時(shí)，隨機(jī)獎(jiǎng)勵(lì)沒(méi)有帶來(lái)任何改進(jìn)。他們推測(cè)，這是由于GRPO公式本身的偏見(jiàn)。

在裁剪下，隨機(jī)獎(jiǎng)勵(lì)并不會(huì)教授任務(wù)質(zhì)量，而是觸發(fā)了一種集中效應(yīng)，使模型專(zhuān)注于其現(xiàn)有的推理模式分布。

當(dāng)裁剪被禁用時(shí)，這種集中機(jī)制完全消失。

作者介紹

Rulin Shao

Rulin Shao是華盛頓大學(xué)的二年級(jí)博士生，師從Pang Wei Koh教授和Luke Zettlemoyer教授。同時(shí)，她還是Meta的訪問(wèn)研究員，與Scott Yih及Mike Lewis共事。

她在卡內(nèi)基梅隆大學(xué)獲得機(jī)器學(xué)習(xí)碩士學(xué)位，師從Eric Xing教授；本科畢業(yè)于西安交通大學(xué)，獲數(shù)學(xué)學(xué)士學(xué)位。

她的研究興趣主要集中在信息檢索與生成模型之間的協(xié)同增效作用。此外，也關(guān)注視覺(jué)語(yǔ)言多模態(tài)學(xué)習(xí)以及長(zhǎng)上下文建模等領(lǐng)域。

Stella Li

Stella Li是華盛頓大學(xué)艾倫計(jì)算機(jī)科學(xué)與工程學(xué)院的二年級(jí)博士生，師從Yulia Tsvetkov教授。

此前，她在約翰斯·霍普金斯大學(xué)獲得了計(jì)算機(jī)科學(xué)、認(rèn)知科學(xué)（側(cè)重語(yǔ)言學(xué)）及應(yīng)用數(shù)學(xué)（側(cè)重統(tǒng)計(jì)學(xué)）專(zhuān)業(yè)的學(xué)士和碩士學(xué)位。期間，她曾在學(xué)校的語(yǔ)言與語(yǔ)音處理中心擔(dān)任研究助理，師從Philipp Koehn教授和Kenton Murray教授。

她的研究領(lǐng)域是自然語(yǔ)言處理，尤其是對(duì)運(yùn)用計(jì)算方法建模乃至揭示認(rèn)知過(guò)程深感興趣。此外，研究興趣還包括臨床推理、社會(huì)推理、以人為本的NLP、多語(yǔ)言處理等諸多方向。

Rui Xin

Rui Xin是華盛頓大學(xué)的一名博士生，師從Pang Wei Koh教授和Sewoong Oh教授。

此前，他在杜克大學(xué)獲得數(shù)學(xué)與計(jì)算機(jī)科學(xué)專(zhuān)業(yè)的學(xué)士學(xué)位，師從Cynthia Rudin教授和Margo Seltzer教授。

他的研究興趣是隱私保護(hù)機(jī)器學(xué)習(xí)。

Scott K. Geng

Scott K. Geng是華盛頓大學(xué)的博士生，師從Pang Wei Koh教授和Ranjay Krishna教授。

此前，他在哥倫比亞大學(xué)獲得數(shù)學(xué)與計(jì)算機(jī)科學(xué)專(zhuān)業(yè)的學(xué)士學(xué)位，師從Carl Vondrick教授和Junfeng Yang教授。

他對(duì)計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等領(lǐng)域有著廣泛的興趣。