当前位置：首页 > news >正文

LLM场景下的强化学习【GRPO】

news 2025/7/12 13:22:23

关于PPO可以参考：LLM场景下的强化学习【PPO】-CSDN博客

一、RLHF-PPO的缺陷与GRPO的改进

1. 奖励欺骗问题

在RLHF-PPO中，人类偏好数据是非常重要的，它能帮助模型按照我们的期望去有针对性的更新策略，生成更符合我们需求的答案。但是，这样可能会导致模型学习“刷分”行为，也就是堆砌Reward Model偏好的关键词但破坏逻辑连贯性，出现每一步奖励都高，但过程和结果都错的情况。

GRPO选择抛弃SFT环节（并不是完全抛弃，还是需要SFT解决cold-start问题），不引入人类偏好数据，仅对最终的答案评估一次奖励，让模型自己去摸索中间的思考过程，这种方式更能激发模型的推理能力。

总的来讲，就是PPO方法太专注于让模型学习人类的思维模式了，而GRPO成功让模型学习出更适合AI的一套思维方式。

将策略模型当做学生，将奖励模型当做老师。

RLHF-PPO相当于单人辅导，只有一位老师（Value Model）和一位学生（Actor Model），这位学生为了能在模拟考中取得高分（一次模拟考代表一次奖励过程），会把每次模拟考的题目以及解法都背下来（更新策略），并且也会学习思考，即使题目有一些变化，它也能成功解决。但是，这样的学生无法超越老师，比如一道数学题有四种解法，但是老师也只会三种，那么学生大概率只能学会这三种解法，只有较低概率能泛化学习到第四种解法，并且即使学习到新的解法，还是会倾向使用老师教的方法。这样的学生在高考中表现可能就会下降，因为高考有新的题型，更加考验推理能力。

（需要解释下，PPO实际是在完整轨迹结束后才更新策略，而不是每次状态转移都更新，上述的例子在这个概念上存在歧义）

GRPO采取了另一条路线，它不再需要老师（Value Model），只会招来一群学生（多个策略）。GRPO会告诉这群学生，你们的目标就是在高考中取得高分，但是没有老师教你们，只会给你们一堆撕掉了答案的模拟考试卷（无监督数据），你们自己去琢磨这些题目怎么做。当高考出分的那一刻，这些学生才知道自己一直以来学习到的策略是否正确。但是没有老师教的学生第一年大概率考不好，所以会让其中考得比平均分高的学生复读（迭代），其余学生直接退学，并且重新招收一批新学生。在新的一年，学生们会根据自己上一年高考分数调整学习的策略（策略更新），以求取得更高的分数。直至某一年，有个学生成功考上清北，证明诞生了非常优秀的策略，所有学生终于能从高中毕业啦！

此外，如果我们直接让幼儿园学生来自学然后高考，可能需要花太长时间（迭代次数过多），所以会先让老师将学生培养到初中生水准（SFT训练，解决Cold start问题），再让学生们去高中自学。

2. 资源开销问题

PPO需要维护四个模型，其中两个模型需要更新，并且每个模型的参数量都不小，对资源的要求比较高。

GRPO直接去掉了Value Model，只需要更新Policy Model，然后奖励的计算也从每一次状态迁移都计算，变成了仅在最后计算一次奖励。值得注意的是，GRPO依赖多个并行策略，每个策略只计算一次奖励，最后奖励计算次数等于策略数目，不过这个过程可以通过并行计算减少开销。

二、GRPO算法细节

1、原理上的变化

从上述学生与老师的例子中，已经展现了GRPO相对于PPO的几个重要改进点。

删去Value Model（不需要老师）：注意Reward Model还是需要的，相当于要有个高考的评卷人。
多策略并行（招收多个学生）：GRPO并没有采取PPO一样的基于梯度的优化策略，而是采取了“优胜劣汰”的优化策略。换句话说，就是PPO努力让一个学生越来越优秀，而GRPO则是直接从一群学生中选择最好的。
无监督训练（撕掉了答案的模拟卷）：GRPO并非全程都是无监督，它还是需要先用一批监督数据，训练出Reward Model，以及使用带有长思维链标注的数据来训练初始的Policy Model，解决cold-start问题。在后续的训练过程中，则是使用大规模无监督数据进行训练，训练好的Reward Model用于给模型答案进行打分。
不计算中间奖励，仅计算最终奖励（模拟考不评分，高考才评分）：PPO会对每个动作（生成新的token）都计算一次动作价值与状态价值，并进一步计算优势。而GRPO仅计算每个策略的最终奖励，也就是在一次迭代中，每个策略只会在生成完整答案后计算一次奖励。