LLM | 论文速读：如何使用 RL 缓解 LLM 过长问题

这是最近比较感兴趣的方向。搜索了一些论文，准备读一下。

背景：据观察，现在各家 LLM 普遍存在"输出越来越长"的情况。甚至，有些 Agent 在解决实际问题时，如 coding 场景，会出现"雷霆大思考"：一直 thinking，迟迟不进行真正的输出，导致任务进度停滞，并且浪费用户的 token。这可能与 RL 训练有关：RL 训练过程会鼓励 Agent 思考得更详尽、周密、考虑到各种 Corner case，某种程度上促使 Agent 反复思考、深度思考、以非常长的长度思考；甚至有些场景下，性能指标和长度存在微妙的正相关关系。

以下论文阅读，试图探寻 RL、Behavior Reward Model 和 Agent 输出长度之间的张力，以及思考可能性：我们可否"反其道而行之"，探寻 Agent 输出过长的深层原因，以 Behavior RM 的形式由 RL 加以惩罚，从而通过 RL 抑制 LLM 输出长度增长？

强相关文章

（还没读，判断不一定可靠）

When Agents go Astray: Course-Correcting SWE Agents with PRMs

arXiv：https://arxiv.org/abs/2509.02360
PDF：https://arxiv.org/pdf/2509.02360
HTML：https://arxiv.org/html/2509.02360
内容概括（还没有读）：针对 SWE Agent 无效探索、重复循环、完成任务后仍不停止等 bad behavior，提出基于行为分类体系的 PRM（Process Reward Model），在推理过程中提供纠偏反馈。无需修改底层模型，属于 inference-time intervention。gpt 建议重点关注 bad-pattern taxonomy 和检测方法。

Think Dense, Not Long: Dynamic Decoupled Conditional Advantage for Efficient Reasoning

arXiv：https://arxiv.org/abs/2602.02099
PDF：https://arxiv.org/pdf/2602.02099
HTML：https://arxiv.org/html/2602.02099
GitHub：https://github.com/alphadl/DDCA
内容概括（还没有读）：指出简单的 RL length penalty 会出现两个问题：错误轨迹影响长度 baseline，以及固定 penalty 无法适应题目难度。提出 DDCA，只在正确答案组内部计算长度 advantage，并依据组内通过率动态调整惩罚强度。可以作为现有 trajectory-level length penalty 的改进 baseline。

Do LLMs Really Need 10+ Thoughts for "Find the Time 1000 Days Later"? Towards Structural Understanding of LLM Overthinking

arXiv：https://arxiv.org/abs/2510.07880
PDF：https://arxiv.org/pdf/2510.07880
HTML：https://arxiv.org/html/2510.07880
Google DeepMind：https://deepmind.google/research/publications/203490/
Project：https://web.eecs.umich.edu/~xlfzhang/projects/TRACE/
内容概括（还没有读）：提出名为 TRACE 的思考结构分析工具，将 CoT 拆分为 sub-thought，构造 thought progression graph，发现 Explorer 和 Late Landing 等典型模式，认为过度探索和过度验证是 overthinking 的重要来源。进一步提出超越 token length 的 utility-based overthinking 定义。gpt 建议参考方法，用来寻找"又长又没有信息量"的 bad pattern。

SWE-TRACE: Optimizing Long-Horizon SWE Agents Through Rubric Process Reward Models and Heuristic Test-Time Scaling

arXiv：https://arxiv.org/abs/2604.14820
PDF：https://arxiv.org/pdf/2604.14820
HTML：https://arxiv.org/html/2604.14820
内容概括（还没有读）：提出一套 SWE Agent 优化框架：构造高效 SFT 轨迹、利用 rubric-based PRM 为 RL 提供更细粒度的过程反馈，并在推理时利用 PRM 评估和剪枝候选动作。gpt 建议关注如何提高成功率、降低 token 消耗和推理延迟。

弱相关文章

（还没读，判断不一定可靠）

Reconsidering Overthinking: Penalizing Internal and External Redundancy in CoT Reasoning

arXiv：https://arxiv.org/abs/2508.02178
PDF：https://arxiv.org/pdf/2508.02178
HTML：https://arxiv.org/html/2508.02178
内容概括（还没有读）：将 overthinking 区分为 internal redundancy（首次正确答案出现前，缺乏信息增益的推理）和 external redundancy（得到正确答案后仍继续推理）。提出双重 RL penalty：通过滑动窗口语义相似度惩罚内部冗余，通过长度比例惩罚外部冗余。感觉这篇会有些旧了（？）

AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress

arXiv：https://arxiv.org/abs/2511.08325
PDF：https://arxiv.org/pdf/2511.08325
HTML：https://arxiv.org/html/2511.08325
内容概括（还没有读）：认为 Agent 的每一步不能简单用正确/错误衡量，而应该同时考虑 promise（对未来成功的潜在价值）和 progress（实际推进程度）。使用 TD estimation 和 GAE 构建 PRM，实验涉及 WebShop、BabyAI 等多轮 Agent 任务，也探索了 RL 应用。

TRACE: Turn-level Reward Assignment via Credit Estimation for Long-Horizon Agents

arXiv：https://arxiv.org/abs/2607.13988
PDF：https://arxiv.org/pdf/2607.13988
HTML：https://arxiv.org/html/2607.13988
GitHub：https://github.com/MSR-Orchard/trace
内容概括（还没有读）：解决长轨迹 Agent RL 中的 credit assignment 问题。利用 frozen reference model 估计每次工具调用前后的状态价值变化，通过 TD difference 生成 turn-level reward，不需要额外训练 critic 或 PRM。主要实验是搜索 Agent。重点关注其局部 reward 如何接入 RL。