近一階段，強(qiáng)化學(xué)習(xí)成為進(jìn)一步提升大模型能力的共識路徑，這時候，你是不是也覺得，給大模型套上強(qiáng)化學(xué)習(xí)（RL）的韁繩，再用上那些能自動驗(yàn)證對錯的獎勵機(jī)制（RLVR），就能讓它們像打了雞血一樣，推理能力蹭蹭往上漲，實(shí)現(xiàn)模型自我進(jìn)化，“左腳踩右腳”不斷飛升。

然而，清華大學(xué)近期的一項(xiàng)研究《Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?（強(qiáng)化學(xué)習(xí)真的會激勵 LLMs 基模型之外的推理能力嗎？）》為這一樂觀預(yù)期潑了一盆冷水。該研究通過深入分析指出，盡管RL訓(xùn)練能夠顯著提升模型在特定基準(zhǔn)（如pass@1）上的表現(xiàn)，但可能并未從根本上拓展模型推理能力的邊界。

研究采用了??pass@k??（模型在k次嘗試內(nèi)解決問題的成功率）作為核心評估指標(biāo)。結(jié)果顯示，雖然經(jīng)過RL訓(xùn)練的模型在少量嘗試（低k值）下表現(xiàn)優(yōu)于基礎(chǔ)模型，但當(dāng)給予充足的嘗試機(jī)會（高k值）后，未經(jīng)RL訓(xùn)練的基礎(chǔ)模型不僅能夠追趕上來，解決同樣的問題，甚至在某些任務(wù)中展現(xiàn)出相當(dāng)乃至更高的潛力上限。

這一發(fā)現(xiàn)表明，當(dāng)前RLVR技術(shù)的核心作用可能更多體現(xiàn)在提升“采樣效率”，即更快速、更穩(wěn)定地找到模型知識體系中已經(jīng)存在的、能夠獲得獎勵的正確推理路徑。這類似于提高了模型針對已知類型問題的“應(yīng)試技巧”。

但效率的提升可能伴隨著代價。研究觀察到，RL訓(xùn)練在強(qiáng)化特定路徑的同時，可能限制了模型的探索性，降低了其生成不常見或全新正確解法的概率，從而可能導(dǎo)致整體推理能力的“覆蓋范圍”收縮。這意味著，模型的世界觀非但沒有拓寬，反而可能在某種程度上變窄了。

因此，該研究對“LLM通過RL實(shí)現(xiàn)持續(xù)自我進(jìn)化”的普遍觀點(diǎn)構(gòu)成了挑戰(zhàn)。RLVR當(dāng)前的作用，或許更接近于一種高效的優(yōu)化或壓縮機(jī)制，而非真正意義上的“認(rèn)知能力催化劑”。它擅長挖掘和鞏固基礎(chǔ)模型已有的潛能，但在激發(fā)全新推理范式方面可能存在局限。值得注意的是，研究也對比指出，知識蒸餾等其他技術(shù)，通過學(xué)習(xí)更強(qiáng)教師模型的模式，反而能夠有效地為模型引入新知識，拓展其能力邊界。

這篇論文讓我們不得不反思，讓大模型真正實(shí)現(xiàn)推理能力的飛躍，光靠現(xiàn)在的RL“鞭策”可能還不夠，需要認(rèn)識到它的固有局限。要實(shí)現(xiàn)推理能力的根本性突破，還是需要進(jìn)一步探索新方法，這樣才有可能有更大的突破。

本文轉(zhuǎn)載自??AI工程化???，作者：ully