过去一个月高强度RL的实践和思考 - 如何涨点？

转载于 2025-10-20 07:30:26 发布 · 54 阅读

CC 4.0 BY-SA版权

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247683450&idx=4&sn=6da874524770ea572df89c39937a67f0&chksm=cf98945f4ae21acc74bf268e56114e3e035f94070a6300aa1b5556243e64f779ea9a6ade193b&scene=126&sessionid=0

作者 | Jason@知乎转自 | 纯干货！VLM RL如何涨点的实践和思考

原文链接：https://zhuanlan.zhihu.com/p/1952370307714220903

点击下方卡片，关注“大模型之心Tech”公众号

戳我-> 领取大模型巨卷干货

本文只做学术分享，如有侵权，联系删文，欢迎添加小助理微信AIDriver004做进一步咨询

前言

过去的一个月在比较高强度做RL，最近终于有了一些阶段性成果，整理了一下整体的迭代思路和最近踩过的坑，分享出来，与各位共勉。结果上，部分Benchmark取得了同size 模型1-2个点的涨幅，最高的单项能有8-10个点的涨幅。这个过程最大的感触是

No Silver bullet，从目标出发规划，做对10件小事，比做1件大事重要的多
没做好数据基础就开始研究新算法的，要小心了，很可能长期做不出结果；
基础的RL算法，就能有较为明确的涨点，即使目标是做开源SOTA，也可以从最简单但正确的事情做起，千里之行，始于足下。

RL的目标

关于RL，我们不是第一批吃螃蟹的人，有很多前人的工作可以追溯，所以是站在巨人的肩膀上做事，对结果有一定预期。因此，基于开源tech report的结果和认知，我认为RL至少应该达成以下两个目标

在SFT的模型版本上取得1-2个点的整体涨点；
在RL特定的Benchmark上（例如数学、指令遵循、幻觉避免等）取得超过1-2点的涨幅。

RL整体思路

我认为RL的本质，是提高sampling efficiency，而并非能让Base Model学习到新的知识，关于这一点，我之前的博客里面有过论述，总结一下主要来自于两个结论

如果让Base Model无限次数回答问题，其正确的概率比RL过的模型更高：在《Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?》这篇文章中，作者做了较为详细的Ablation，增加pass@k中k的次数，随着Sample的次数增加，RL能答对的累加概率逐渐不如Base Model；
VLM RL的tech Report中，RL的版本整体涨点在1-2左右，而SFT最高可做到5-6个点：这个在很多Tech Report中都有验证，就不做详细引用了。

因此RL的本质其实就定了，和SFT的后训练相比，一定要基于Base模型Sample，如果你试图用别的模型回复作为好或者坏的回答，或者试图用一份数据来更新所有模型，可能是无法work的，RL的关键是一套完整的流程，而不是一两份已经成型的数据。

VLM RL难点

任务层面，指标要求全面：Benchmark的所有子项能力都要提升：在工业界做模型，需要模型的各项能力，例如OCR、推理、数学、指令遵循等都有提升，而不能只对某些Benchmark做到极致；
训练层面，infra要求高：RL不同于SFT，on-policy或者off-policy的RL都需要对原始模型Rollouts，前者的挑战甚至更大，需要同时对模型backward和多组forward，训练效率挑战极大；VLM的RL面临的infra难题更多，因为多媒体数据的引入导致IO、硬盘和内存都会成为瓶颈；
数据层面

Input上，数据混合的平衡要求高：RL对数据的敏感度比SFT要高很多，SFT在数据量级不高，学习率不大情况下，一般训练完可能有掉点，但不一定很大；但RL在一份混合不够完善数据上训练，可能带来全面的掉点。
Output上，回复长度和RL的算法相关度较高，各个RL算法，对数据的要求不太一样，比如GRPO，会做group-wise的Reward均值到各个token(即Policy)上，而DPO是两条回复的token-level的prob对数的sum相减值的margin，所以不同RL算法对于长度的感知不同，
Reward Model或者LLM Judge需要特殊优化，RLVR某种程度上淡化了Reward Model，但实际上对于alignment或者OCR相关Benchmark，无法用Verifiable Reward来判别，则还是要通过RLHF等方法进行优化。

算法层面

算法选择，当前RL算法的探索非常前沿，如何能选择高效、上限高的RL算法，比较考验算法工程师的判断能力。

我们的做法

技术选型

首先，我考虑到了infra的困难程度，开始项目的时候，Verl的框架针对VLM尚不成熟，数据IO和训练都有较大问题，而我们想快速验证RL的能力，于是我们选择了infra成本较低的DPO RL算法。DPO的优缺点非常鲜明，主要是

DPO是off-policy的RL算法，

优点：①数据可以单独进行离线rollouts，可以提升单次训练的效率；②Rollout后的Reward评分，可以用很多模型实现，能把数据做精细；③无需引入在线RM，训练效率较高，infra要求较低；
缺点：DPO的accept和Reject Pair是由基础模型生成的，训练到后期这批数据已经无法反映模型的效果了，这也导致了其天然不如on-policy RL训练上限高；

如何最大化DPO的收益？

从DPO的loss Function出发看数据的潜在影响：
求导之后发现，DPO更新的本质，就是最大化Accept回复的每个token的prob sum和Reject回复每个token的prob sum的margin。
细致观察就能发现，这个算法对于回复的长度非常敏感，长回复的loss会stable一些，而短回复，类似分类或者选择题，loss就不会非常stable；

原文中的训练细节

对于不同任务，值是不同的，简单来说，长回复的任务，这个值相对较高；否则相对较低；

如何理解，这个值是等价于PPO中的Clip ratio，决定了模型到底在一次更新中的步长（和原来概率分布的差距的大小）；作者在这里的分类问题设置了较小的值，我判断也是为了防止某单个短回复更新过大导致模型训练有问题；

数据组织

先说重点和结论，总结下踩过的坑

回复太短了，训练效果很差，对训练效果帮助不大
找Rollouts的一组里，差异较大、且有真正对错的的组成pair，否则训练效果不好；
SFT阶段如果必须混合选择题和长回复，否则评Benchmark会因为不直接回答ABCD而掉点；但是DPO时候，全用长回复是没问题的，效果会稳定提升
最重要的一条：认真check你的每一条数据，以上结论全都不绝对，实际训练效果跟你的数据分布、训练超参、回复pair-wise构造都关系非常大，没有Silver Bullet，只有绝对的细心和认真，清晰的实验目标制定和严谨科学的分析实验结果

数据侧我主要分成两个部分

DPO的prompt库，数据Mixture，能力分类；
DPO的pair-wise数据构建逻辑；

Prompt库构建

基于之前对原文和DPO公式的理解，我们尽量避免回复特别短的Prompt，测试下来两个方法比较有效

针对数学类、推理类有正确答案的任务，构造能引导CoT回复的Prompt格式，这样能把ABCD的回复有效扩展为长回复；
针对OCR、开放式回答类任务，直接过滤掉短回复；

还在测试的一些方法

Prompt rewrite，结合答案，直接改造成开放式问题；

数据Mixture

我不会说明具体的数据配比，能比较明确的是，尽可能让不同任务的数据比例平衡。这里有个质变的过程，一旦数据混合搞对了，基本上能看到所有指标的涨点，任务之间彼此有帮助，而不是有升有降最后差不多持平。

Rollouts过滤

Rollouts一定要满足两点要求

尽可能收集差异较大的N个回复；
保证回复的Accept和Reject有明确的好坏区分；

Pair-wise构造

这里基本上是DPO最重要的部分，拆分下来应该有几类方法

使用开源的Reward Model；
基于开源的RM或者模型训练一个RM；
直接使用VLM Judge做pair-wise数据构建。

第3点由于DPO的数据可以离线构造，所以可以做的相对细致。

从成本由低到高来看，2需要引入额外的RM训练和评估，成本较高，因此可以从1和3先尝试。

结论

想直接用开源Reward判分的，需要谨慎：我们之前试过直接用开源的打分，发现模型会比较偏向有明确答案的，答案偏短的数据；当然可能我们的测试不够充分，开源Reward可能有更好的但是我们没有使用到；
基于现成的VLM做Judge进行数据构造

需要做好数据分类：不同的任务类型，例如有明确答案，verifiable的，我们试过用Qwen-2.5-VL 32B的VLM进行标注，和GPT标注的F1 Score能达到0.95以上；因此，对于verifiable的任务，使用medium size的开源VLM Judge就已经可以实现较好的效果；
对于Alignment类的任务，此类任务较为鲜明的特点是没有标准答案，但是这部分任务对于减轻模型的幻觉，提升通用能力比较关键；我们验证下来比较有效的做法是让VLM根据GT回答，对多个Rollout的结果在事实、幻觉、与GT风格相近程度等方面进行打分标注，并根据评分排序得到pair-wise的数据集，当然这个过程中一定注意作对评估，验证打分的人工评估准确度，甚至可以对不同能力分类或者数据集做单独的数据策略，以确保大规模的pair-wise构造是正确的。

实验过程

直接使用GT作为Chosen，使用Rollout的结果作为Reject是否可行？

不行，训练得到的经验是，这样会导致模型训练快速饱和，同理，使用某个固定的模型结果作为Chosen（例如GPT的回复），使用Rollout作为Reject，也会让训练快速饱和。我们猜测模型学习到了某些shortcut，或者某个pattern，而不是真正提高了sampling efficiency；benchmark的评估结果也验证了我们的猜想，这样训练得到的模型评估基本没有变化。

Training Dynamic长什么样是训练有效果的？

使用TRL仓库原生的DPO Trainer，会记录一个Reward Accuracies的值，这个值的计算逻辑是：reward_accuracies = (chosen_rewards > rejected_rewards).float()，根据我们的训练经验来看，accuracy在不断增长，模型的训练效果往往是更好的；但是这个accuracy的绝对值在不同实验之间没有太多参考价值，因为这个值是相对训练数据而言的，不同实验的数据可能不同，这个值没有可比性；
这个值和benchmark是否有关联关系？目前观测是没有的，毕竟这里的acc其实是一条回复的trace的log_prob sum，所以很可能真正的答案被稀释了，比如，模型在一本正经的胡说八道，用正确的reason得到了错误的答案，虽然这条回复的acc可能很高，但并不能带来增量；
那如果把答案就变成ABCD这种一个token的回复，岂不是正好能解决上述问题？从训练结果上看，回复过于简短会导致DPO训练崩溃，虽然Acc能直接代表作对的比例，但是训练本身效果会变差。