6 月 4 日消息，上海人工智能實(shí)驗(yàn)室聯(lián)合清華大學(xué)、伊利諾伊大學(xué)香檳分校等學(xué)府，組建國(guó)際團(tuán)隊(duì)研發(fā)新方法，通過(guò) Clip-Cov 和 KL-Cov 技術(shù)有效應(yīng)對(duì)策略熵崩潰問(wèn)題。
背景簡(jiǎn)介
大型語(yǔ)言模型（LLMs）近年來(lái)在推理能力上的突破，讓強(qiáng)化學(xué)習(xí)（RL）的應(yīng)用范圍從單一任務(wù)擴(kuò)展到更廣泛的場(chǎng)景，這種進(jìn)步賦予了模型更強(qiáng)的泛化能力和邏輯推理能力。
然而，與傳統(tǒng)的模仿學(xué)習(xí)不同，強(qiáng)化學(xué)習(xí)需要更高的計(jì)算資源來(lái)支持從經(jīng)驗(yàn)中學(xué)習(xí)，核心問(wèn)題在于策略熵（反映了模型在利用已知策略和探索新策略之間的平衡）的下降。
熵值過(guò)低會(huì)導(dǎo)致模型過(guò)度依賴已有策略，喪失探索能力。這一探索-利用權(quán)衡（exploitation-exploration trade-off）是強(qiáng)化學(xué)習(xí)的基礎(chǔ)，如何控制策略熵成為訓(xùn)練中的關(guān)鍵難題。
策略熵崩潰的理論與實(shí)踐突破
為解決這一問(wèn)題，研究團(tuán)隊(duì)提出了一個(gè)經(jīng)驗(yàn)公式：R = ?a exp H + b，其中 H 代表策略熵，R 為下游任務(wù)表現(xiàn)，a 和 b 為擬合系數(shù)。這一公式揭示了策略性能與熵值之間的權(quán)衡關(guān)系，指出熵耗盡是性能瓶頸。
研究進(jìn)一步分析了熵動(dòng)態(tài)變化，發(fā)現(xiàn)其受動(dòng)作概率與 logits 變化協(xié)方差的驅(qū)動(dòng)。為此，團(tuán)隊(duì)創(chuàng)新性地提出了 Clip-Cov 和 KL-Cov 兩種技術(shù)，分別通過(guò)裁剪高協(xié)方差 token 和施加 KL 懲罰來(lái)維持熵水平。
實(shí)驗(yàn)基于 Qwen2.5 模型和 DAPOMATH 數(shù)據(jù)集，覆蓋數(shù)學(xué)任務(wù)，結(jié)果顯示新方法在 7B 和 32B 模型上分別提升了 2.0% 和 6.4% 的性能，尤其在 AIME24 和 AIME25 等高難度基準(zhǔn)測(cè)試中，32B 模型性能提升高達(dá) 15.0%。
研究團(tuán)隊(duì)在包括 Qwen2.5、Mistral、LLaMA 和 DeepSeek 在內(nèi)的 11 個(gè)開(kāi)源模型上進(jìn)行了測(cè)試，參數(shù)規(guī)模從 0.5B 到 32B 不等，涵蓋數(shù)學(xué)和編程任務(wù)的 8 個(gè)公開(kāi)基準(zhǔn)測(cè)試。
訓(xùn)練采用 veRL 框架和零樣本設(shè)置，結(jié)合 GRPO、REINFORCE++ 等算法優(yōu)化策略性能。結(jié)果表明，Clip-Cov 和 KL-Cov 技術(shù)能維持更高的熵水平，例如 KL-Cov 方法在基線熵值趨于平穩(wěn)時(shí)仍保持 10 倍以上的熵值。
這不僅解決了策略熵崩潰問(wèn)題，也為強(qiáng)化學(xué)習(xí)在語(yǔ)言模型中的擴(kuò)展提供了理論支持。研究強(qiáng)調(diào)，熵動(dòng)態(tài)是性能提升的關(guān)鍵瓶頸，未來(lái)需進(jìn)一步探索熵管理策略，以推動(dòng)更智能語(yǔ)言模型的發(fā)展。
