note
- 相关讨论：SFT为啥比RL更容易导致遗忘
- RL的本质就是一个sampling based 的优化过程，我们有一个分布，采样得到的轨迹有的reward大，有的reward小，那么我们就增大采reward大的轨迹的概率，减小采reward小的轨迹的概率。这个过程中我们希望模型更新要足够稳健，不能过于激进。
- 打个比方，比如投资股票，如果看到某只股票突然猛涨或者猛跌就立马追涨杀跌，那么这样的策略大概率是很难稳定的获利的。所以PPO比之前的RL算法效果好的一个最本质的原因就是clip掉了那些有很大reward涨落的轨迹，让模型的优化更加稳定。
- 所以从这个角度看，RL这个算法天然地就会限制LLM模型后训练之后和之前的差别（更像是分布的锐化，而非参数空间的巨大改变），所以遗忘现象没有普通的sft严重也是很合理的事情了。
- 《Does RLVR enable LLMs to self-improve》论文发现：
- RLVR 后模型的能力完全在基础模型的能力范围内，只是搜索效率提高了，能更高效地找到问题的解。而基础模型不能解决的问题，RLVR 的模型一样不能解决。
- 在 @1 的时候，RL 模型的表现都会好于基模，但是随着 K 的增大，和基模的表现越来越接近，直到在 K 较大时 RL 被基模超越。而且这个结论对于各种 RL 方法（PPO/GRPO等），在各种评估测试集（数学、代码、视觉推理），各种模型大小上面都适用。
文章目录
一、研究背景
论文：Does RLVR enable LLMs to self-improve？
- 研究问题：这篇文章探讨了强化学习（RL）在提升大型语言模型（LLMs）推理能力方面的潜力，特别是是否超越了基础模型的推理能力。
- 研究难点：该问题的研究难点包括：如何准确评估LLMs的推理能力边界，以及现有的RLVR方法是否能够引入新的推理模式。
- 相关工作：该问题的研究相关工作包括OpenAI的o1模型、DeepSeek-R1等，这些工作展示了LLMs在复杂逻辑任务中的显著进步，但对其推理能力的提升机制尚不明确。
（1）可验证奖励：首先，定义了一个LLM生成序列 y = ( y 1 , ... , y T ) y = (y_1, \ldots, y_T) y=(y1,...,yT)，并引入一个确定性验证器 V \mathcal{V} V，返回二进制奖励 r ∈ { 0 , 1 } r \in \{0, 1\} r∈{0,1}，其中 r = 1 r = 1 r=1 当且仅当模型的最终答案完全正确。
RL的目标是最大化期望奖励：
J ( θ ) = E x ∼ D E y ∼ π θ ( ⋅ ∣ x ) \[ r ] J(\theta) = \mathbb{E}_{x \sim \mathcal{D}} \left \\mathbb{E}_{y \\sim \\pi_{\\theta}(\\cdot\|x)} \[r \right] J(θ)=Ex∼DEy∼πθ(⋅∣x)\[r]
其中 D \mathcal{D} D 是提示的分布。
（2）RLVR算法：使用近端策略优化算法，其目标函数为：
L CLIP = E min ( r t ( θ ) A t , clip ( r t ( θ ) , 1 − ϵ , 1 + ϵ ) A t ) \mathcal{L}_{\text{CLIP}} = \mathbb{E} \left \\min \\left( r_t(\\theta) A_t, \\operatorname{clip} \\left( r_t(\\theta), 1-\\epsilon, 1+\\epsilon \\right) A_t \\right) \\right LCLIP=Emin(rt(θ)At,clip(rt(θ),1−ϵ,1+ϵ)At)
其中：
- r t ( θ ) = π θ ( y t ∣ x , y < t ) π θ old ( y t ∣ x , y < t ) r_t(\theta) = \dfrac{\pi_\theta (y_t \mid x, y_{<t})}{\pi_{\theta_{\text{old}}} (y_t \mid x, y_{<t})} rt(θ)=πθold(yt∣x,y<t)πθ(yt∣x,y<t)
- A t A_t At 是由价值网络 V ϕ V_\phi Vϕ 估计的优势
（3）评估指标：采用 pass@k 指标来评估推理能力边界，定义为如果任意一个样本通过验证，则问题视为解决。平均 pass@k 反映了模型在 k 次尝试内解决问题的问题比例。
二、相关现象
RLVR 后模型的能力完全在基础模型的能力范围内，只是搜索效率提高了，能更高效地找到问题的解。而基础模型不能解决的问题，RLVR 的模型一样不能解决。
三、实验结论
（1）数学推理：在小k值（如k=1）时，RL训练模型表现优于基础模型，但随着k值的增加，基础模型在所有基准上均超过RL训练模型。这表明RLVR增加了正确样本的采样概率，但缩小了可解问题的覆盖范围。
（2）编程推理：与数学推理类似，RLVR在编程任务中也表现出小k值时的优势，但随着k值的增加，基础模型的表现更好。
（3）视觉推理：在视觉推理任务中，RLVR的效果与数学和编程任务一致，基础模型在可解问题上的覆盖范围更广。
（4）准确性分布分析：RLVR训练后，模型的高准确性频率增加，低准确性频率减少，但出现了更多无法解决的问题。
（5）蒸馏对比：蒸馏模型在pass@k曲线上显著高于基础模型，表明蒸馏能够引入新的推理模式，扩展模型的推理能力。
Reference
1 Does RLVR enable LLMs to self-improve