12.6 RL Scaling 与未来展望——RL 训练的天花板在哪？

前面三节我们追踪了 RL 训练从 PPO 到 GRPO 再到 DAPO/RLVR 的演进路线。策略端省掉了 Critic，奖励端省掉了 RM，训练成本一步步降低。但一个更根本的问题还没有回答：RL 训练的收益有没有天花板？投入更多算力还能继续提升吗？

2025 年最令人兴奋的发现之一就是：RL 训练的收益尚未饱和。继续加大 RL 训练规模，模型的推理能力还在持续提升。这一节我们从三个维度讨论 RL 的未来：训练范式的选择（Online vs Offline）、RL Scaling 的三个方向、以及 Test-time Scaling 与过程奖励模型。

三种训练范式对比

在学完 DPO（Offline）和 GRPO/DAPO（Online）之后，一个自然的实践问题是：该选哪种范式？

	Offline (DPO)	Online (PPO/GRPO)	Semi-Online
数据来源	固定的离线偏好数据集	当前模型实时生成	离线数据 + 周期性更新
探索能力	无（被数据集限制）	有（模型自己探索新策略）	部分
理论上限	受数据质量限制	理论上更高	折中
工程复杂度	低（标准监督学习）	高（在线采样循环）	中等
显存需求	低	高	中等
代表方法	DPO, KTO, SimPO, IPO	PPO, GRPO, DAPO	Iterative DPO, RLOO
类比	看录像学开车	边开车边学	看录像 + 偶尔上路练

实践建议

一个经过大量实践验证的工作流是这样的：

第一步：DPO 快速验证。先用 DPO 验证数据质量和模型基线。DPO 最简单、最快，如果 DPO 都训不好，说明数据有问题，上 PPO/GRPO 也救不回来。
第二步：GRPO 提升上限。在 DPO 验证通过后，切换到 GRPO 做在线优化。GRPO 的在线探索能力可以突破 DPO 的数据限制。
第三步：DAPO 精细调优。如果算力充足，用 DAPO 的动态采样和 Token 级损失进一步提升效率。

# ==========================================
# 三种范式的典型训练代码对比（伪代码）
# ==========================================

# ---- Offline (DPO) ----
# 特点：最简单，只需要偏好数据集
# dpo_trainer = DPOTrainer(model, ref_model, dataset=preference_pairs)
# dpo_trainer.train()

# ---- Online (GRPO) ----
# 特点：在线采样，不需要 Critic
# grpo_trainer = GRPOTrainer(model, reward_fn=rule_based_reward, k=8)
# grpo_trainer.train()

# ---- Semi-Online (Iterative DPO) ----
# 特点：周期性地用当前模型生成新数据，再用 DPO 训练
# for iteration in range(num_iterations):
#     new_data = model.generate_and_label(prompts)  # 生成 + 标注
#     dpo_trainer.train_on(new_data)                 # DPO 训练
#     model = dpo_trainer.get_updated_model()        # 更新模型

print("训练范式选择决策树：")
print("  数据质量不确定？ → DPO 先验证")
print("  DPO 验证通过？ → GRPO 提升上限")
print("  算力有限？ → Iterative DPO（半在线）")
print("  追求极致？ → DAPO（动态采样 + Token级损失）")

RLMT：把"思考"从数学搬到通用聊天

前面讨论的三种范式（DPO/GRPO/DAPO）和本章的 RLVR 都聚焦在一个问题：如何让模型在数学和代码上推理更强。但一个自然的追问是——这种"先思考再回答"的能力，能不能也用到通用聊天、创意写作等开放场景？

2025 年的一篇论文 "Language Models that Think, Chat Better" 给出了肯定的答案，提出了 RLMT（Reinforcement Learning with Model-rewarded Thinking）。

现有方法的两难

方法	思考链	奖励来源	适用领域	短板
RLHF	无	人类偏好奖励模型	通用聊天	不思考，深度不够
RLVR	有	规则/标准答案	数学/代码	无法泛化到开放聊天
RLMT	有	人类偏好奖励模型	通用聊天	奖励模型质量至关重要

RLHF 让模型直接输出答案，缺乏深度推理；RLVR 强制模型写长思维链，但奖励信号（答案对错）只适用于有标准答案的场景。RLMT 的核心洞察是：保留 RLVR 的"先思考再回答"结构，但用 RLHF 的偏好奖励模型来打分——这样思考链就能服务于通用聊天。

RLMT 的训练方式

RLMT 有两条路线，类似 DeepSeek-R1 的 SFT 路线和 Zero 路线：

路线一：SFT 预热 + RLMT

先用 Gemini/GPT-4 生成"思考过程 + 最终回答"数据做监督微调，教模型"思考链长什么样"
再用 GRPO 在线强化学习优化，奖励信号来自偏好奖励模型

路线二：RLMT-Zero（直接从基座模型练）

不经过任何 SFT，直接对基座模型做 RLMT 训练。结果令人惊讶：

只用 7K 真实对话 prompts
Llama-3.1-8B 基座 + RLMT-Zero
效果超过用 2500 万样本多阶段训练的 Llama-3.1-8B-Instruct

这说明"先思考再回答"的能力不需要 SFT 教——RL 训练本身就能涌现出来，和 DeepSeek-R1 的发现一脉相承。

效果：会思考的小模型 > 不会思考的大模型

在 Llama-3.1-8B 和 Qwen-2.5-7B 上全面验证：

聊天基准（AlpacaEval2 / WildBench / ArenaHardV2）平均提升 3–7 分
创意写作、常识、指令跟随稳定涨 1–3 分
Llama-3.1-8B-Instruct + RLMT 在聊天和创意写作上超过 GPT-4o，接近 Claude 3.7 Sonnet
明显优于 10 倍大的 Llama-3.1-70B、Qwen2.5-72B

这个结果再次验证了一个关键发现：RL 训练带来的"思考能力"可以弥补模型规模的差距。

模型学到了什么样的"思考"

论文分析了 RLMT 训练前后模型的思维模式变化：

阶段	思维特征	类比
SFT 阶段	线性列清单、分点、死板规划	按模板填表的办事员
RLMT 之后	梳理约束→归纳分组→权衡视角→迭代修改	有经验的顾问在白板前推演

同时，模型会自动增长思考链和回答长度——不是人为设定的，而是 RL 优化过程中自然涌现的：更长的思考 → 更好的回答 → 更高的奖励。

RLMT 的实践要点

# ==========================================
# RLMT vs RLVR 的关键区别（伪代码）
# ==========================================

# ---- RLVR（本章已学）----
# 奖励 = 答案是否正确（规则验证）
# def rlvr_reward(response, question):
#     answer = extract_answer(response)
#     return 1.0 if answer == ground_truth else 0.0

# ---- RLMT（本节新内容）----
# 奖励 = 偏好奖励模型打分（通用聊天质量）
# def rlmt_reward(response, question):
#     # response 包含 <think思考过程</think + 最终回答
#     return preference_reward_model(question, response)

# 关键差异：
# 1. RLMT 的 response 结构 = <think思考</think + 回答
# 2. 奖励信号来自偏好 RM，而非规则验证
# 3. 训练 prompts 必须贴近真实用户聊天，数学题太多反而变差

print("RLMT 实践要点：")
print("  奖励模型质量至关重要——弱 RM 会毁掉效果")
print("  训练 prompts 必须贴近真实用户聊天场景")
print("  GRPO 明显优于 PPO、DPO，最适合思考式训练")
print("  基座模型可直接用 RLMT 对齐，颠覆传统三阶段训练")

RLMT 与前面章节的联系

RLMT 站在第 8 章 RLVR 和第 7 章 RLHF 的交叉点上：

概念来源	在 RLMT 中的角色
RLVR 的长思考链（Ch8）	保留"先思考再回答"的输出结构
RLHF 的偏好奖励（Ch7）	用偏好 RM 替代规则验证
GRPO 的组内比较（Ch8）	RLMT 最有效的在线训练方法
DeepSeek-R1-Zero（Ch8）	RLMT-Zero 的直接灵感来源

RLMT 的意义在于：它证明了"思考"不只是数学推理的专利，通用聊天同样受益于深度思考。这打开了 RL 训练的一个新方向——不是让模型只在数学上思考，而是让它在所有场景下都"先想清楚再开口"。

思考题：为什么 RLVR 的思考链无法直接迁移到通用聊天，而 RLMT 可以？

核心差异在于奖励信号的匹配。RLVR 的思考链是在"答案对错"这个奖励信号下训练出来的——模型学会了"思考如何得到正确答案"。但通用聊天没有标准答案，"对错"奖励信号不存在，所以这套思考策略失效。

RLMT 的关键是把奖励信号换成偏好奖励模型。偏好 RM 能判断"这个回答好不好"（有用、无害、诚实），而不仅仅是"答案对不对"。在这个奖励信号下训练出来的思考链，自然就适用于通用场景——模型学会了"思考如何写出更好的回答"，而不是"思考如何算对答案"。

这也解释了为什么奖励模型质量至关重要：如果偏好 RM 本身判断力差，那在它指导下训练出来的思考链也会走偏。

RL Scaling：用更多算力换更强推理

2025 年最令人兴奋的发现之一：RL 训练的收益尚未饱和。DeepSeek-R1 的实验表明，在数学推理上，RL 训练的 scaling 曲线比 SFT 更陡峭。继续增加训练步数，模型的 pass@1 持续提升，尚未观察到明确饱和。

RL Scaling 的三个维度

维度	含义	实践方法	关键发现
数据规模	更多不同难度的训练 prompt	自动生成 + 筛选高质量题目	多样性比数量更重要
采样规模	每个 prompt 采样更多回答（k 增大）	k 从 4 增加到 16 甚至 64	组内比较更稳定，但边际收益递减
训练步数	更长时间的 RL 训练	监控 KL 散度和评测指标	Pass@1 持续提升，尚未饱和

flowchart LR
    subgraph scaling ["RL Scaling 三个维度"]
        D["数据规模 ↑\n更多题目\n更多难度层次"]
        S["采样规模 ↑\nk: 4 → 16 → 64\n组内统计更稳定"]
        T["训练步数 ↑\n更长训练\n持续提升"]
    end

    D --> Result["模型推理能力\n持续提升\n尚未饱和"]
    S --> Result
    T --> Result

    subgraph caveat ["关键前提"]
        C1["Prompt 多样性\n防止过拟合训练集"]
        C2["KL 监控\n防止策略崩坏"]
        C3["验证集评测\n防止虚高指标"]
    end

    style D fill:#e3f2fd,stroke:#1976d2
    style S fill:#fff3e0,stroke:#f57c00
    style T fill:#e8f5e9,stroke:#2e7d32
    style Result fill:#fce4ec,stroke:#c62828

关键前提是：需要足够多样化的 prompt 数据。如果训练数据的类型太单一，模型会过拟合到训练集上——训练集上的分数很高，但换一批题就不行了。DeepSeek-R1 的解决方案是用自动化方法生成和筛选训练题目，确保覆盖不同难度和不同类型。

Agentic RL 的 Scaling Law

上面三个维度关注的是标准 RL 的 scaling。当 RL 进入 Agentic 场景（第 9 章会详细讨论），scaling 有了新的表现形式。ZeroTIR 方法让模型在没有监督示例的情况下自发学会生成和执行代码来辅助推理，并发现了一个可预测的关系：训练步数与代码执行频率、最终准确率之间存在幂律关系。这意味着你可以在训练早期就预测最终表现——如果训练了 100 步后代码执行频率还在上升，说明模型还在持续学习；如果频率趋于平稳，说明学习接近饱和。这个发现给了实践者一个免费的训练进度指示器：只需监控代码执行频率，就能判断"该不该继续训"。ZeroTIR 被 NeurIPS 2025 收录，我们在第 9 章的 Code Agent 部分会更详细地讨论它。

Test-time Scaling：推理时也消耗更多算力

与 RL Scaling（训练时投入更多算力）互补的另一条路线：推理时也让模型"多想一想"。

标准推理是"Prompt → 模型直接输出答案"。Test-time Scaling 的思路是"Prompt → 生成多个候选 → 验证/投票/搜索 → 选最佳"。

方法	原理	额外成本	适用场景
Best-of-N 采样	生成 N 个回答，选 reward 最高的	线性增长 N 倍	简单直接，通用
多数投票	生成 N 个回答，选出现最多的答案	线性增长 N 倍	数学/代码（有确定答案）
MCTS / Tree of Thought	在推理空间做树搜索，回溯错误分支	指数级（需剪枝）	复杂推理任务
Verifier-guided	用验证器在推理过程中动态剪枝	中等	代码/数学

RL 与 Test-time Scaling 的关系

一个开放的前沿争议是：RLVR 是否只是提升了 test-time 的搜索效率，而非注入了真正的推理能力？

支持方认为：RL 训练后的模型在相同采样预算下表现更好，说明 RL 确实改变了模型的内部策略，而不仅仅是搜索效率。
质疑方认为：未经过 RL 训练的基础模型，如果给予足够多的采样次数（N 趋于无穷），理论上也能达到类似效果——RL 只是让模型"更高效地搜索"。
现实是：实践中 RL 训练带来的效率提升是巨大的——让模型在少量采样时就能输出高质量回答。即使 RL 的本质是"提升搜索效率"，这种效率提升在工程上也是极其有价值的。

PRM vs ORM：过程监督与结果监督

在推理场景中，信用分配问题有一个具体的体现：是只看最终结果（答案对不对），还是评估每一步推理（中间步骤对不对）？ 这就是 PRM（Process Reward Model）和 ORM（Outcome Reward Model）的区分。

ORM（Outcome Reward Model）

ORM 只看最终结果：答案对了就给正奖励，错了就给零。它的优点是标注简单——只需要知道最终答案是否正确。缺点是信号稀疏——7 步推理中只有最后一步有反馈，中间步骤的对错无从得知。

PRM（Process Reward Model）

PRM 对每一步推理都评估：第一步对不对？第二步对不对？...每一步都有反馈。优点是学习信号密集，能精确指导每一步的改进方向。缺点是标注成本极高——需要人类专家逐步判断每步推理是否正确。

PRM 的实际效果

方法	GSM8K 准确率	MATH 准确率	标注成本
仅 ORM	~82%	~40%	低
仅 PRM	~85%	~45%	极高
ORM + RL	~88%	~50%	低
PRM + RL	~90%	~55%	极高

PRM 的提升是实打实的（在 MATH 上比 ORM 高 5 个百分点），但成本也是实打实的。OpenAI 的 PRM800K 数据集需要数学专家对每一步推理进行标注，这种成本不是每个团队都能承受的。

自动化 PRM 的探索

由于人工逐步标注太贵，研究者开始探索自动化的过程监督：

# ==========================================
# 自动 PRM：用蒙特卡洛采样估计每步正确概率
# ==========================================
def auto_prm(model, prompt, reasoning_steps, num_samples=32):
    """
    用蒙特卡洛采样估计每个推理步骤的正确概率

    思路：从第 i 步开始，重新采样后续推理 N 次
    看最终答案正确的比例 → 就是第 i 步的"质量分数"
    """
    step_scores = []

    for i in range(len(reasoning_steps)):
        # 保留前 i 步，重新生成后续步骤
        correct_count = 0
        for _ in range(num_samples):
            # 从第 i 步开始重新采样
            new_completion = model.generate(
                prompt + reasoning_steps[:i+1],
                temperature=0.7  # 高温采样，增加多样性
            )
            # 检查最终答案是否正确
            if check_answer_correct(new_completion):
                correct_count += 1

        # 第 i 步的质量分数 = 从这里开始能答对的概率
        step_scores.append(correct_count / num_samples)

    return step_scores

# 示例输出
# reasoning_steps = ["设 x = 小明的苹果数", "x = 15 - 3 - 5", "x = 7"]
# step_scores = [0.85, 0.90, 1.00]
# 第一步就有 85% 的概率最终答对，说明这是一个好的开头

自动化 PRM 的核心思路是：不需要人类标注每一步，用蒙特卡洛采样自动估计每步的"正确概率"。从第 $i$ 步开始重新采样 $N$ 次后续推理，看最终答案正确的比例——这就是第 $i$ 步的"质量分数"。这种方法的成本是计算量（每步需要 $N$ 次采样），但不依赖人工标注，可扩展性更好。

本节总结

第 8 章我们走完了一条完整的 RL 训练演进路线：

flowchart TD
    subgraph strategy ["策略端演进"]
        S1["PPO\nActor + Critic + Ref + RM\n4 个模型"]
        S2["GRPO\nActor + Ref\n2 个模型（省掉 Critic）"]
        S3["DAPO\n动态采样 + Token级损失\n更高效的 GRPO"]
    end

    subgraph reward ["奖励端演进"]
        R1["RLHF\n人工标注 + RM 训练\n成本极高"]
        R2["RLVR\n规则验证\n成本极低"]
    end

    subgraph paradigm ["范式演进"]
        P1["Offline (DPO)\n简单但受数据限制"]
        P2["Online (GRPO)\n复杂但上限高"]
        P3["Semi-Online\n折中方案"]
    end

    S1 --> S2 --> S3
    R1 --> R2

    style S1 fill:#fce4ec,stroke:#c62828
    style S2 fill:#fff3e0,stroke:#f57c00
    style S3 fill:#e8f5e9,stroke:#2e7d32
    style R1 fill:#fce4ec,stroke:#c62828
    style R2 fill:#e8f5e9,stroke:#2e7d32

三个核心维度可以独立选择、灵活组合：

策略端：PPO → GRPO → DAPO（逐步简化）
奖励端：RLHF → RLVR（逐步自动化）
范式选择：Offline → Online → Semi-Online（根据场景权衡）

RL 训练的未来有两个清晰的方向：RL Scaling（训练时投入更多算力）和 Test-time Scaling（推理时投入更多算力）。两者互补，共同推动模型推理能力的提升。而 PRM 与自动化过程监督的发展，有望在未来提供更精细的训练信号，进一步加速 RL 训练的效率。

思考题：RL Scaling 和 Test-time Scaling 应该优先投入哪个方向？

这取决于你的应用场景和资源约束：

如果推理成本是瓶颈（比如面向百万用户的在线服务），优先投入 RL Scaling——训练一个更强的模型，让它在单次推理时就能给出高质量回答，不需要多次采样。训练成本虽然高，但一次性投入；推理成本是持续性的，省下来的钱远超训练投入。
如果回答质量是瓶颈（比如数学竞赛、代码比赛，不在乎推理时间），优先投入 Test-time Scaling——用 Best-of-N 或 MCTS 让模型"多想一想"，在推理时消耗更多算力换取更好的结果。
如果两者都不是瓶颈（比如内部研究、小规模部署），两者都投入少量即可。RL Scaling 的"数据多样化"是最稳妥的投资方向——更多样的训练数据几乎总是有益的。

值得注意的是，这两个方向不是互斥的。最先进的系统（如 DeepSeek-R1）同时使用了 RL Scaling（大规模 GRPO 训练）和 Test-time Scaling（推理时的 Best-of-N 采样），两者叠加的效果远超单独使用。

到这里，RL Scaling 的三个方向已经讲完。但还有一个重要的后训练路线没有讨论——知识蒸馏：用 Teacher 模型的 log-prob 当训练信号，在 1/10 的算力下达到和 RL 相当的效果。让我们进入下一节——知识蒸馏与在线策略蒸馏。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

12.6 RL Scaling 与未来展望——RL 训练的天花板在哪？

三种训练范式对比

实践建议

RLMT：把"思考"从数学搬到通用聊天

现有方法的两难

RLMT 的训练方式

效果：会思考的小模型 > 不会思考的大模型

模型学到了什么样的"思考"

RLMT 的实践要点

RLMT 与前面章节的联系

RL Scaling：用更多算力换更强推理

RL Scaling 的三个维度

Agentic RL 的 Scaling Law

Test-time Scaling：推理时也消耗更多算力

RL 与 Test-time Scaling 的关系

PRM vs ORM：过程监督与结果监督

ORM（Outcome Reward Model）

PRM（Process Reward Model）

PRM 的实际效果

自动化 PRM 的探索

本节总结

FilesExpand file tree

rl-scaling-outlook.md

Latest commit

History

rl-scaling-outlook.md

File metadata and controls

12.6 RL Scaling 与未来展望——RL 训练的天花板在哪？

三种训练范式对比

实践建议

RLMT：把"思考"从数学搬到通用聊天

现有方法的两难

RLMT 的训练方式

效果：会思考的小模型 > 不会思考的大模型

模型学到了什么样的"思考"

RLMT 的实践要点

RLMT 与前面章节的联系

RL Scaling：用更多算力换更强推理

RL Scaling 的三个维度

Agentic RL 的 Scaling Law

Test-time Scaling：推理时也消耗更多算力

RL 与 Test-time Scaling 的关系

PRM vs ORM：过程监督与结果监督

ORM（Outcome Reward Model）

PRM（Process Reward Model）

PRM 的实际效果

自动化 PRM 的探索

本节总结