強化學習（RL）已經(jīng)成為當今 LLM 不可或缺的技術(shù)之一。從大模型對齊到推理模型訓練再到如今的智能體強化學習（Agentic RL），你幾乎能在當今 AI 領(lǐng)域的每個領(lǐng)域看到強化學習的身影。

近日，Daniel Han 和 Michael Han 兩兄弟組成的團隊 Unsloth（用于微調(diào)模型的同名開源項目 GitHub 星數(shù)已超過 4 萬）發(fā)布了一個強化學習教程，其中從吃豆人談起，簡單易懂地從 RLHF、PPO 介紹到 GRPO，還分享了如何用 GRPO 訓練推理模型的技巧。

• 原文地址：https://docs.unsloth.ai/basics/reinforcement-learning-guide
• 開源項目：https://github.com/unslothai/unsloth

全面了解強化學習以及如何使用 GRPO 訓練你自己的推理模型。這是一份從初學者到高級的完整指南。

你將學到什么

• 什么是強化學習 (RL)？RLVR？PPO？GRPO？RLHF？RFT？對于強化學習來說，運氣 is All You Need?
• 什么是環(huán)境？agent？動作？獎勵函數(shù)？獎勵？

本文涵蓋了你需要了解的關(guān)于 GRPO、強化學習 (RL) 和獎勵函數(shù)的所有內(nèi)容 —— 從初學者到高級，還有基于 Unsloth 使用 GRPO 的基礎知識。

如果你正需要學習如何一步步實現(xiàn) GRPO，這份指南值得一讀。

什么是強化學習 (RL)？

強化學習的目標是：

• 增加獲得「好」結(jié)果的幾率。
• 降低出現(xiàn)「壞」結(jié)果的幾率。

就這么簡單！「好」和「壞」的含義錯綜復雜，「增加」和「降低」也許斟酌，甚至「結(jié)果」的含義也各不相同。

舉個例子，在吃豆人（Pacman）游戲中：

• 環(huán)境就是游戲世界。
• 動作包括向上、向左、向右和向下。
• 如果你吃掉一塊餅干，獎勵是好的；如果你碰到敵人，獎勵是壞的。

在強化學習中，你無法知道自己可以采取的「最佳動作」，但你可以觀察中間步驟，或者最終的游戲狀態(tài)（勝或負）。

再來個例子，假設你被問到這個問題：「What is 2 + 2?」 (4)

一個未對齊的語言模型會輸出 3、4、C、D、-10 等等各種亂七八糟的答案。

• 數(shù)字總比 C 或 D 好，對吧？
• 得到 3 總比得到 8 好，對吧？
• 得到 4 絕對沒錯！

其實，我們剛剛就設計出了一個獎勵函數(shù)！

從 RLHF、PPO 到 GRPO 和 RLVR

OpenAI 讓 RLHF（基于人類反饋的強化學習）的概念變得人盡皆知。在該方法中，我們需要訓練一個 agent 來針對某個問題（狀態(tài)）生成人類認為更有用的輸出。

例如，ChatGPT 中的??和??符號就可以用于 RLHF 過程。

為了實現(xiàn) RLHF，PPO（近端策略優(yōu)化）被開發(fā)了出來。

在這種情況下，agent 就是語言模型。事實上，它由三個系統(tǒng)組成：

• 生成策略（當前被訓練模型）
• 參考策略（原始模型）
• 價值模型（平均獎勵估算器）

我們使用獎勵模型來計算當前環(huán)境的獎勵，而我們的目標就是最大化獎勵！

PPO 的公式看起來相當復雜，因為它的設計初衷是保持穩(wěn)定性。

PPO 公式

DeepSeek 開發(fā)了 GRPO（組相對策略優(yōu)化）來訓練他們的推理模型。它與 PPO 的主要區(qū)別在于：

• 移除了價值模型，取而代之的是多次調(diào)用獎勵模型的統(tǒng)計數(shù)據(jù)。
• 移除了獎勵模型，取而代之的是自定義獎勵函數(shù)，RLVR 可以使用該函數(shù)。

這意味著 GRPO 非常高效。以前 PPO 需要訓練多個模型 —— 現(xiàn)在移除了獎勵模型和價值模型，便可以節(jié)省內(nèi)存并加快速度。

RLVR（可驗證獎勵的強化學習）允許我們根據(jù)易于驗證解答的任務來獎勵模型。例如：

• 數(shù)學等式可以輕松驗證，如 2+2 = 4。
• 代碼輸出可以驗證是否正確執(zhí)行。
• 設計可驗證的獎勵函數(shù)可能很困難，因此大多數(shù)示例都與數(shù)學或代碼相關(guān)。
• GRPO 的用例不僅限于代碼或數(shù)學 —— 它的推理過程可以增強電子郵件自動化、數(shù)據(jù)庫檢索、法律和醫(yī)學等任務，并根據(jù)數(shù)據(jù)集和獎勵函數(shù)顯著提高準確性 —— 訣竅在于定義一個規(guī)則 —— 即一系列較小的可驗證獎勵，而不是最終的單一獎勵。例如，OpenAI 也在其強化學習微調(diào) (RFT) 中用到了這一點。

為什么使用「組相對」？

GRPO 完全移除了價值模型，但我們?nèi)匀恍枰鶕?jù)當前狀態(tài)估算「平均獎勵」。

訣竅在于對 LLM 進行采樣！然后，我們通過統(tǒng)計多個不同問題的采樣過程來計算平均獎勵。

例如，對于「What is 2 + 2?」，我們采樣 4 次。我們可能得到 4、3、D、C。然后，我們計算每個答案的獎勵，計算平均獎勵和標準差，最后用 Z 分數(shù)進行標準化！

這就產(chǎn)生了優(yōu)勢 A，我們將用它來替代價值模型。這可以節(jié)省大量內(nèi)存！

GRPO 優(yōu)勢計算

運氣（耐心） Is All You Need

強化學習的訣竅在于你只需要兩樣東西：

• 一個問題或指令，例如「What is 2+2?」 「用 Python 創(chuàng)建一個 Flappy Bird 游戲」
• 一個獎勵函數(shù)和一個驗證器，用于驗證輸出是好是壞。

僅憑這兩個，我們基本上可以無限次調(diào)用語言模型，直到得到一個好的答案。例如，對于「What is 2+2?」，一個未經(jīng)訓練的糟糕模型語言模型可能會輸出：

0、cat、-10、1928、3、A、B、122、17、182、172、A、C、BAHS、%$、#、9、-192、12.31，然后突然變?yōu)?4。

獎勵信號為 0、0、0、0、0、0、0、0、0、0、0、0、0、0、0，然后突然變?yōu)?1。

因此，RL 憑借運氣和偶然性，在多次迭代中找到了正確答案。我們的目標是讓好答案（4）出現(xiàn)的次數(shù)更多，其余（壞答案）出現(xiàn)的次數(shù)更少。

因此，RL 的目標是耐心 —— 在極限情況下，只要正確答案的概率至少有一點（不為零），那么就只是一場等待的游戲 —— 你一定會在極限情況下 100% 找到正確答案。

所以我喜歡稱之為針對強化學習的「運氣 Is All You Need」。

其實，更好的說法是針對強化學習的「耐心 is All You Need」。

本質(zhì)上，強化學習提供了一種技巧 —— 與其簡單地等待無限，不如在實實在在地收到「壞信號」（即壞答案）時去「引導」模型嘗試不生成壞答案。這意味著，盡管你可能等待了很長時間才出現(xiàn)一個「好」答案，但模型其實已經(jīng)在盡力調(diào)整，盡量不輸出壞答案。

在「What is 2+2?」這個例子中，先出現(xiàn)了 0、cat、-10、1928、3、A、B、122、17、182、172、A、C、BAHS、%$、#、9、-192、12.31，然后突然出現(xiàn)了 4。

由于我們得到了壞答案，強化學習會影響模型，使其嘗試不輸出壞答案。這意味著隨著時間的推移，我們會仔細地「修剪」或移動模型的輸出分布，使其遠離錯誤答案。這意味著強化學習并非低效，因為我們并非只是等待無限，而是積極地嘗試「推動」模型盡可能地向「正確答案空間」靠攏。

注：如果概率始終為 0，那么強化學習就永遠不會奏效。這也是為什么人們喜歡基于已經(jīng)過指令微調(diào)的模型進行強化學習的原因，因為這樣的模型已經(jīng)可以相當好地部分執(zhí)行指令 —— 這很可能將概率提升到 0 以上。

Unsloth 能為強化學習提供什么？

• Unsloth 配備 15GB 顯存，支持將參數(shù)最多 17B 的任何模型（例如 Llama 3.1 (8B)、Phi-4 (14B)、Mistral (7B) 或 Qwen2.5 (7B)）轉(zhuǎn)換為推理模型。
• 最低要求：只需 5GB 顯存即可在本地訓練你自己的推理模型（適用于任何參數(shù)不超過 1.5B 的模型）。

這里給出了一個基于 Unsloth 使用 GRPO 訓練自己的推理模型的詳細教程，感興趣的讀者可以參考實驗：

https://docs.unsloth.ai/basics/reinforcement-learning-guide/tutorial-train-your-own-reasoning-model-with-grpo

GRPO 是如何訓練模型的？

1. 對于每個問答對，模型會生成多種可能的答案（比如，8 種變體）。
2. 使用獎勵函數(shù)對每個答案進行評估。
3. 訓練步數(shù)：如果有 300 行數(shù)據(jù)，則需要 300 個訓練步驟（如果訓練 3 個 epoch，則需要 900 個訓練步驟）。也可以增加每個問題生成的答案數(shù)量（例如，從 8 個增加到 16 個）。
4. 該模型的學習方式是在每一步對權(quán)重進行更新。

這里有一些示例筆記本：

https://docs.unsloth.ai/get-started/unsloth-notebooks#grpo-reasoning-notebooks

基礎知識/技巧

Unsloth 還分享了一些他們積累的心得：

• 等待至少 300 步，獎勵才會真正增加。為了獲得不錯的結(jié)果，你可能需要至少等待 12 小時（這是 GRPO 的工作原理），但請記住，這不是強制性的，你可以隨時停止。
• 為獲得最佳效果，至少需要 500 行數(shù)據(jù)。你甚至可以嘗試 10 行數(shù)據(jù)，但使用更多數(shù)據(jù)會更好。
• 每次訓練運行都會有所不同，具體取決于你的模型、數(shù)據(jù)、獎勵函數(shù) / 驗證器等。因此，雖然前面說最低訓練步數(shù)是 300 步，但有時可能需要 1000 步或更多。所以，這取決于各種因素。
• 如果你在本地使用 GRPO 和 Unsloth，如果出現(xiàn)錯誤，可以「pip install diffusers」。請使用最新版本的 vLLM。
• 建議將 GRPO 應用于參數(shù)至少為 1.5B 的模型，以便正確生成思考 token，因為較小的模型可能無法做到。
• 對于 QLoRA 4-bit 的 GRPO GPU VRAM 要求，一般規(guī)則是模型參數(shù) = 你需要的 VRAM 數(shù)量（你可以使用更少的 VRAM，但還是這樣更好）。你設置的上下文長度越長，VRAM 就越多。LoRA 16-bit 至少會使用 4 倍以上的 VRAM。
• 可以持續(xù)微調(diào)，并且你可以讓 GRPO 在后臺運行。
• 示例筆記本使用的數(shù)據(jù)集是 GSM8K，這是目前 R1 風格訓練最流行的選擇。
• 如果你使用的是基礎模型，請確保你擁有聊天模板。
• 使用 GRPO 訓練的次數(shù)越多越好。GRPO 最大的優(yōu)點是你甚至不需要那么多數(shù)據(jù)。你只需要一個優(yōu)秀的獎勵函數(shù) / 驗證器，并且訓練時間越長，你的模型就會越好。隨著時間的推移，你的獎勵與步長的比率預計會像這樣增加：

• Unsloth 現(xiàn)已內(nèi)置了 GRPO 的訓練損失跟蹤，無需使用 wandb 等外部工具。它現(xiàn)在包含所有獎勵函數(shù)的完整日志詳細信息，包括總聚合獎勵函數(shù)本身。

獎勵函數(shù) / 驗證器

在強化學習中，獎勵函數(shù)和驗證器在評估模型輸出方面發(fā)揮著不同的作用。一般來說，你可以將它們理解為同一件事，但從技術(shù)上講，它們并非一回事，但這無關(guān)緊要，因為它們通常是配合使用的。

驗證器（Verifier）：

• 確定生成的響應是否正確。
• 它不會分配數(shù)值分數(shù) —— 只是驗證正確性。
• 例如：如果對于「2 + 2」，模型生成為「5」，則驗證器會檢查并將其標記為「錯誤」（因為正確答案是 4）。
• 驗證器還可以執(zhí)行代碼（例如，使用 Python）來驗證邏輯、語法和正確性，而無需手動評估。

獎勵函數(shù)（Reward Function）：

• 將驗證結(jié)果（或其他標準）轉(zhuǎn)換為數(shù)值分數(shù)。
• 例如：如果答案錯誤，它可能會分配罰分（-1、-2 等），而正確答案可能會獲得正得分（+1、+2）。
• 它還可以根據(jù)正確性以外的標準進行懲罰，例如長度過長或可讀性差。

主要區(qū)別：

• 驗證器檢查正確性，但不進行評分。
• 獎勵函數(shù)會分配分數(shù)，但不一定驗證正確性。
• 獎勵函數(shù)可以使用驗證器，但從技術(shù)上講，它們并不相同。

理解獎勵函數(shù)

GRPO 的主要目標是最大化獎勵并學習答案的得出方式，而不是簡單地記憶并根據(jù)訓練數(shù)據(jù)復現(xiàn)答案。

• 在每個訓練步驟中，GRPO 都會調(diào)整模型權(quán)重以最大化獎勵。此過程會逐步微調(diào)模型。
• 常規(guī)微調(diào)（不使用 GRPO）僅最大化下一詞的預測概率，而不會針對獎勵進行優(yōu)化。GRPO 針對獎勵函數(shù)進行優(yōu)化，而不僅僅是預測下一詞。
• 你可以在多個 epoch 中重復使用數(shù)據(jù)。
• 你可以預定義默認獎勵函數(shù)，以用于各種用例，或者你可以讓 ChatGPT / 本地模型為你生成它們。
• 設計獎勵函數(shù)或驗證器沒有唯一正確的方法 —— 這方面可能性無窮無盡。然而，它們必須設計精良且有意義，因為設計不當?shù)莫剟羁赡軙o意中降低模型性能。

獎勵函數(shù)示例

參考以下示例。可以將你的生成結(jié)果輸入到 ChatGPT 4o 或 Llama 3.1 (8B) 等 LLM 中，并設計一個獎勵函數(shù)和驗證器來評估它。例如，將你的生成結(jié)果輸入到你選擇的 LLM 中，并設置一條規(guī)則：「如果答案聽起來太機械化，則扣 3 分。」這有助于根據(jù)質(zhì)量標準優(yōu)化輸出。

示例 1：簡單算術(shù)任務

• 問題：2 + 2
• 答案：4
• 獎勵函數(shù) 1：如果檢測到數(shù)字 → +1；如果未檢測到數(shù)字 → -1
• 獎勵函數(shù) 2：如果數(shù)字與正確答案匹配 → +3；如果不正確 → -3
• 總獎勵：所有獎勵函數(shù)的總和

示例 2：電子郵件自動化任務

• 問題：接收電子郵件
• 答案：發(fā)送電子郵件
• 獎勵函數(shù)：
• 如果答案包含必需關(guān)鍵詞 → +1
• 如果答案與理想答案完全匹配 → +1
• 如果答案過長 → -1
• 如果包含收件人姓名 → +1
• 如果存在簽名塊（電話、電子郵件、地址）→ +1

Unsloth 基于鄰近度的獎勵函數(shù)

在前面的 GRPO Colab 筆記本，可以看到其中創(chuàng)建了一個完全從零開始構(gòu)建的自定義基于鄰近度的獎勵函數(shù)，旨在獎勵那些更接近正確答案的答案。這個靈活的函數(shù)可以應用于各種任務。

• 在其中的示例中，是在 Qwen3 (Base) 上啟用了推理功能，并將其引導至特定任務
• 應用預微調(diào)策略，以避免 GRPO 默認只學習格式
• 使用基于正則表達式的匹配提升評估準確度
• 創(chuàng)建自定義 GRPO 模板，超越諸如「think」之類的一般提示詞，例如 <start_working_out></end_working_out>
• 應用基于鄰近度的評分 —— 模型會因更接近的答案獲得更多獎勵（例如，預測 9 比預測 10 更好），而異常值則會受到懲罰

GSM8K 獎勵函數(shù)

在其他示例中，Unsloth 使用了 @willccbb 提供的現(xiàn)有 GSM8K 獎勵函數(shù)，該函數(shù)廣受歡迎且已被證明非常有效：

• Correctness_reward_func – 獎勵完全匹配的標簽。
• Int_reward_func – 鼓勵僅使用整數(shù)的答案。
• Soft_format_reward_func – 檢查結(jié)構(gòu)，但允許少量換行符不匹配。
• strict_format_reward_func – 確保響應結(jié)構(gòu)與提示符匹配，包括換行符。
• xmlcount_reward_func – 確保響應中每個 XML 標簽恰好對應一個。