URPO: A Unified Reward & Policy Optimization Framework for Large Language Models

文章主要内容总结

本文提出了一种名为Unified Reward & Policy Optimization（URPO，统一奖励与策略优化） 的新型框架，旨在解决传统大型语言模型（LLMs）对齐流程中存在的复杂性、资源密集性和性能天花板问题。

传统的强化学习从人类反馈中学习（RLHF）流程通常将策略模型（“玩家”）与单独训练的奖励模型（“裁判”）分离，奖励模型在强化学习阶段参数固定，导致静态奖励信号限制模型性能。URPO通过以下方式突破这一局限：

1. 统一模型与训练阶段：让单个模型同时承担“玩家”（指令遵循）和“裁判”（奖励建模）角色，在单一训练阶段完成优化；
2. 数据格式统一：将偏好对、可验证推理（如数学、代码）和开放式指令等对齐数据重构为统一的生成格式，通过Group-Relative Policy Optimization（GRPO）循环优化；
3. 协同进化机制：模型从真实偏好和可验证逻辑中学习，同时为开放式任务生成自身奖励，实现生成能力与评估能力的协同进化。

实验表明，在Qwen2.5-7B模型上，URPO显著优于使用单独生成式奖励模型的基线：AlpacaEval指令遵循分数从42.24提升至44.84，综合推理平均分从32.66提升至35.66；同时，其训练副产品（内部评估器）在RewardBench上得分为85.15，超过专用奖励模型（83.55）。

创新点

1. 简化且高