SFT遠不如RL？永不過時的剃刀原則打開終身學(xué)習(xí)大模型訓(xùn)練的大門

機器之心報道

編輯：冷貓

我們已經(jīng)進入了大模型時代，越來越多的應(yīng)用依賴大模型的能力，可以說大模型已經(jīng)成為智能化基礎(chǔ)設(shè)施的核心組成部分，支撐著語言，視覺分析，智能駕駛，機器人等各種下游應(yīng)用。

在大模型的實際使用中我們發(fā)現(xiàn)，大部分的模型還只是某個細(xì)分領(lǐng)域任務(wù)的大牛，離我們理想中的 AGI 仍然遙遙無期。

準(zhǔn)確的說，這些投入部署的大模型大多是「靜態(tài)」模型，對于其預(yù)訓(xùn)練或微調(diào)時優(yōu)化的系列任務(wù)表現(xiàn)良好，但是在動態(tài)學(xué)習(xí)，自我提升這部分能力是缺位的。

如果我們希望實現(xiàn)更加通用的大模型，使其能像長期的智能助手一樣，隨時間不斷適應(yīng)新的任務(wù)與需求，很多技術(shù)瓶頸亟待突破。而最大的挑戰(zhàn)之一就是「災(zāi)難性遺忘」。

相信大家對這個概念已經(jīng)非常熟悉了，災(zāi)難性遺忘指的是模型在學(xué)習(xí)新任務(wù)時，會丟掉之前學(xué)到的技能。擴大模型規(guī)模、增加預(yù)訓(xùn)練數(shù)據(jù)確實能稍微緩解遺忘現(xiàn)象，但始終不能徹底解決。

圖源：小紅書 @機器壞人（AI 版）

針對災(zāi)難性遺忘的問題，研究者們提出了各種各樣的改進方法，包括正則化、經(jīng)驗回放、參數(shù)微調(diào)等等。

但有沒有一種可能，我們對大模型遺忘的研究想的有些太復(fù)雜了，如無必要勿增實體的剃刀原則才是根治問題的最佳手段。

幾天前，來自麻省理工學(xué)院（MIT）Improbable AI Lab 的研究者針對該問題發(fā)表了一篇研究論文，將奧卡姆的剃刀伸向了大模型后訓(xùn)練，揭示了大模型遺忘現(xiàn)象的基本規(guī)律和訓(xùn)練策略，目前已在 Alphaxiv 上熱度排名第一。

• 論文標(biāo)題：RL's Razor: Why Online Reinforcement Learning Forgets Less
• 論文鏈接：https://www.arxiv.org/abs/2509.04259v1

現(xiàn)代 AI 系統(tǒng)面臨一個根本性挑戰(zhàn)：在學(xué)習(xí)新任務(wù)時，它們常常災(zāi)難性地遺忘先前獲得的知識。這種現(xiàn)象嚴(yán)重限制了基礎(chǔ)模型作為長期、持續(xù)學(xué)習(xí)代理的能力。

這項研究集中在一個驚人的實證觀察上：

研究者比較了兩種常見的后訓(xùn)練方式：監(jiān)督微調(diào)（SFT） 和 強化學(xué)習(xí)（RL）。結(jié)果很出乎意料：

• 即便 SFT 和 RL 在新任務(wù)上表現(xiàn)一樣好，SFT 往往是通過 「犧牲舊知識」 來換取新任務(wù)的提升；
• RL 卻能在學(xué)習(xí)新技能的同時，更多地保留原有能力。

那么問題來了：為什么 RL 不容易遺忘？

遺忘定律

研究揭示了一個新的規(guī)律，稱為 「遺忘定律」：

當(dāng)模型 π 在新任務(wù) τ 上進行微調(diào)時，遺忘程度可以通過 精確預(yù)測，即在新任務(wù)上評估的微調(diào)策略和基線策略之間的KL散度

這條定律在實踐中非常有用，因為它可以在微調(diào)過程中進行測量甚至影響，而無需訪問舊任務(wù)數(shù)據(jù)。盡管其機制仍有待充分理解，但這條定律在不同模型和領(lǐng)域之間的一致性表明它反映了遺忘的一個基本屬性。

也就是說，微調(diào)后模型與原始模型在新任務(wù)分布上的差異越大，遺忘就越嚴(yán)重。

偏向 KL - 最小解減少了遺忘。左圖顯示，在能夠解決新任務(wù)的策略中，RL 收斂到 KL 散度上最接近基模型的那些策略。右圖顯示，在相同的新任務(wù)性能下，這種 KL 偏向使得 RL 相比 SFT 能更好地保留先驗任務(wù)的知識。

研究者進行了廣泛的實驗，以確定什么因素預(yù)示著災(zāi)難性遺忘。他們測試了各種假設(shè)，包括權(quán)重級變化、表示偏移和分布差異。通過對多個領(lǐng)域和模型架構(gòu)進行系統(tǒng)性消融研究，他們發(fā)現(xiàn)微調(diào)策略和基礎(chǔ)策略之間的前向 KL 散度是遺忘的一個驚人一致的預(yù)測指標(biāo)

前向 KL 散度定義為：

其中代表微調(diào)策略，代表原始模型。

這種關(guān)系適用于不同的訓(xùn)練算法和超參數(shù)，形成了作者所稱的「經(jīng)驗性遺忘定律」。在使用簡化 ParityMNIST 任務(wù)的對照實驗中，這種關(guān)系實現(xiàn)了 0.96 的 R2，證明了其預(yù)測能力。

該圖顯示，在帕累托前沿上，RL 始終優(yōu)于 SFT，在語言模型（數(shù)學(xué)、科學(xué)問答、工具使用）和機器人任務(wù)中，RL 在新任務(wù)性能和先驗知識保留之間實現(xiàn)了更好的權(quán)衡。

RL 的剃刀：KL 最小路徑原理

更有意思的是，RL 的優(yōu)勢正來自于它的 「KL 偏好」。

• 在新任務(wù)上，存在許多能達到高表現(xiàn)的解。
• RL 天然偏向選擇那些 離原始模型更近（KL 更小） 的解；
• 而 SFT 則可能收斂到距離原始模型很遠的解，從而帶來嚴(yán)重遺忘。

核心理論貢獻是「RL 的剃刀」—— 即在解決新任務(wù)的所有方法中，RL 偏好與原始模型在 KL 散度上最接近的解決方案。這種偏向 KL 最小解的偏好解釋了為什么 RL 比 SFT 遺忘得少。

為了驗證 KL 假設(shè)，研究者構(gòu)造了一個理想的 「oracle SFT」 分布：它在保證新任務(wù)完美準(zhǔn)確的同時，也做到 KL 最小化。結(jié)果顯示，在這個分布上訓(xùn)練，遺忘比 RL 還少。這說明 RL 的優(yōu)勢并不是來自某種「本質(zhì)上的不同」，而是源于它 隱式地執(zhí)行了 KL 最小化。只要訓(xùn)練過程偏向 KL 最小解，模型遺忘就會隨之減少。

左圖通過使用一個「Oracle SFT」分布來證明這一原理，該分布在實現(xiàn)完美新任務(wù)準(zhǔn)確性的同時，解析地最小化了 KL 散度。使用這種 Oracle 分布進行訓(xùn)練產(chǎn)生的遺忘比標(biāo)準(zhǔn) RL 更少，證實了 KL 最小化是關(guān)鍵機制。中圖展示了 KL 散度與遺忘之間的強關(guān)聯(lián)（R2 = 0.961），而右圖則說明了與 SFT 相比，RL 如何通過較小的 KL 偏移實現(xiàn)高準(zhǔn)確性。

機制分析：在線策略學(xué)習(xí)與離線策略學(xué)習(xí)

為了理解 RL 何種機制驅(qū)動了其 KL 保守行為，研究人員比較了四種不同的訓(xùn)練范式：

分析揭示，數(shù)據(jù)收集的在線策略性質(zhì)是關(guān)鍵因素，而不是負(fù)面示例的使用。在線策略方法（GRPO 和 1-0 Reinforce）保持較小的 KL 偏移和更好的先驗任務(wù)保留，而離線方法（SFT 和 SimPO）無論是否使用負(fù)面示例，其行為都相似。

理論基礎(chǔ)

作者通過信息幾何的視角，為強化學(xué)習(xí)的 KL - 最小收斂提供了理論基礎(chǔ)。他們表明，帶有二元獎勵的策略梯度方法可以被理解為在概率空間中執(zhí)行交替的信息（I-）投影和期望（M-）投影：

這種迭代過程收斂到可表示策略類中的 KL - 最小最優(yōu)策略，為「RL 的剃刀」提供了形式化解釋。I - 投影步驟在滿足獎勵約束的同時最小化 KL 散度，而 M - 投影步驟則朝著更高獎勵的動作更新。

更多數(shù)據(jù)

這項研究表明，這一原理超越了簡單的實驗環(huán)境。使用中心核對齊（Centered Kernel Alignment）進行的表示保留分析表明，與 SFT 相比，RL 保持與基礎(chǔ)模型更高的相似性：

此外，對更大模型（70 億和 140 億參數(shù)）的實驗證實，僅僅擴大規(guī)模并不能消除 SFT 中固有的遺忘權(quán)衡：

總結(jié)

本篇論文的核心貢獻有三點：

1. 實驗證明：在相同性能下，RL 比 SFT 更不容易遺忘

2. 提出遺忘定律：新任務(wù)上的KL 散度是預(yù)測遺忘的關(guān)鍵指標(biāo)。

3. 理論與實證結(jié)合，解釋了RL 的優(yōu)勢來自其 on-policy 特性

這項研究為后訓(xùn)練提供了新的視角：為了實現(xiàn)無遺忘的持續(xù)適應(yīng)，算法應(yīng)該明確地旨在最小化與基模型之間的 KL 散度，確立了 KL 散度作為持續(xù)學(xué)習(xí)系統(tǒng)的基本設(shè)計原則。

這一原則為設(shè)計未來的訓(xùn)練方法打開了大門，這些方法將 RL 保留先驗知識的能力與 SFT 的效率相結(jié)合，使基礎(chǔ)模型能夠真正地「終身學(xué)習(xí)」。

對于使用基礎(chǔ)模型的實踐者來說，這項研究提供了明確的指導(dǎo)：當(dāng)持續(xù)適應(yīng)很重要時，在線策略 RL 方法比標(biāo)準(zhǔn)微調(diào)方法具有顯著優(yōu)勢。KL 散度指標(biāo)還為模型適應(yīng)期間的遺忘監(jiān)測和預(yù)測提供了一個實用工具。

這項工作有助于我們理解為什么像 RLHF 中的 KL 正則化這樣的常見實踐是有效的，將經(jīng)驗觀察提升到理論基礎(chǔ)。這種原則性理解為開發(fā)真正長壽、能夠持續(xù)學(xué)習(xí)而不會災(zāi)難性遺忘的 AI 代理開辟了新方向。