大模型
mp.weixin.qq.com ·
@大模型智能
OpenAI 神秘 RL 算法只是 STE 近似？解析 OAI 后训练算法
文章讨论 arXiv 论文 Score Centering Stabilizes Off Policy Reinforcement Learning，作者认为该算法本质上是针对 megatron 与 vLLM 训推不一致的 STE（straight-through estimation）近似，并给出从 IGO 视角出发的梯度推导。作者进一步指出，在 off-policy 设定下该算法缺少 importance sampling 而存在偏差，预测 surrogate STE 版本会更稳定。文中“OpenAI 后训练算法”的说法来自转述，未提供官方确认。
AI推荐理由 文章对一篇 arXiv 论文（Score Centering Stabilizes Off Policy Reinforcement Learning）提出的算法做了技术推导，主张该算法等价于 megatron 与 vLLM 训推不一致场景下的 STE 近似，并进一步分析 off-policy 下缺少 importance sampling 可能带来的偏差。这是对具体算法机制的分析性观点，包含可检验的公式推导，对做 LLM RL 后训练的研究者和工程师有参考价值。局限在于：所谓“OpenAI 后训练算法”仅为作者转述的传闻，正文未给出 OpenAI 官方确认或论文与 OpenAI 的直接关联证据；结论属于作者个人推导，未经独立验证；来源为公众号转载，非一手论文或官方发布。
72
正文
大模型智能 2026-10-01 00:00 吉林
这个叫做scorecentering的算法其实就是一个STE的近似实现，这种trick其实在之前涉及到SimtoReal的RLsetting上是很常见的用法，只能说是太阳之下没有新鲜事。
大模型智能｜分享
来源 | 青稞AI
作者 | dung defender
最近arxiv上挂了一篇paper：Score Centering Stabilizes Off Policy Reinforcement Learning[1] 。据说是OPENAI的后训练RL算法，笔者感兴趣进去瞅了一下，仔细想了一下，发现这个叫做score centering的算法其实就是一个STE的近似实现，这种trick其实在之前涉及到Sim to Real的RL setting上是很常见的用法，只能说是太阳之下没有新鲜事。今天在这里写一个blog来细节讲一下这个OAI的神秘算法。
***01***
**大模型 RL的问题形式化**
大模型RL训练中最麻烦的一个点就是有训练megatron和推理 vllm两套引擎，同样的输入，在两套模型中forward计算得到的logits有差异。
这个是大模型RL和传统小模型RL差异最大的一个点。我们的目标是： **最大化vllm上部署引擎的推理效果！** 记住不是megatron，是vllm。
所以从IGO的视角出发，模型在vLLM上推理rollout得到轨迹和分数，然后得到最优分布：
我们的目标是优化我们的策略 ，使得它和最优分布 的KL loss最小化。因为我们没法得到vLLM上的模型的梯度，所以我们只能用megatron的梯度来近似vLLM的梯度，具体的说，就是把RL的objective从
变成了：
我们记住这个式子，这个公式是大模型做RL的核心
***02***
**对RL公式的分析**
我们来看这个公式：
这里我们会意识到一个点，就是这个ratio的值刚一开始就不是1，所以它不能从PPO的clip角度去理解。PPO的clip是因为我们需要限制前后policy的KL距离，保持优化稳定，所以PPO的ratio刚一开始就是1，后面优化过程中被clip。
但是对于我们vLLM和megatron的训推不一致，这个值刚一开始就不是1，所以clip不解决问题，甚至还会带来很多损害。这也是为什么MIS，bypass PPO这类算法很多时候会失败的原因。
那我们怎么办呢？其实一个最最简单的方法，就是用STE（straight through estimation），我们记megatron的计算的logits是 ,vLLM侧计算的logits是 ，那么我们可以得到一个vLLM的surrogate logits：
那么vLLM的surrogate概率就是：
所以RL的优化目标就变成了：
好的，到这里其实思路想法都非常简单自然。
我们接下来来看这个objective的梯度：
我们可以发现，其实这个loss的梯度就是OAI这个后训练算法的梯度，完全一样。
所以OAI的这个RL算法，实际上就是megatron和vLLM之间推理差异的STE近似。
***03***
**那off policy的时候呢**
大家注意到上面的推导都是默认on policy，rollout的一个batch的数据被一次optimizer.step处理的，那如果我们想提高数据利用率，开启off policy的setting的时候，这两个算法有区别吗？其实仔细想想，还有有的，我们STE估计的版本的梯度：
里面的ratio因子不再是1了，等价于所有的 都是来自 的，但是OAI的算法等价于一直都是从 里面采样的，所以OAI的这个版本其实是带偏的，没有importance sampling。
所以我预测在off policy的setting上，surrogate STE的效果会稳定一些。paper原文里面尝试了TIS + OAI的方式，其实和surroagte的STE差别不大了。
***04***
**一些小思考**
其实大家回头看，就会发现很多时候LLM的RL算法并没有经过系统的分析，更像是对原始PPO之类算法的启发式规则魔改，比如clip操作。clip在原始的PPO里等于是加了一个隐式的KL约束，非常合理。但是面对vLLM和megatron的训推差异，其实用clip是一个很不好的做法，会变成来回打补丁的方式，很难调。
我们从IGO的角度直接出发开始推导，能得到更加直接，直观的物理图像，其实是一种减法，能帮助我们看清楚问题的本质。
那么大规模RL的算法在这里还有什么方法是可以用来提升效果的呢？肯定是有的，STE等于算了一个假的grad，这个grad不一定是sub grad，所以我们可以利用vLLM推理结果对这个假grad进行修正，进一步提升效果，这里就不做过多赘述，以上！
P.S. IGO真的是个好数学工具，用它来看各种RL算法一眼就可以看到背后的物理图像。
#### 引用链接
`[1]` Score Centering Stabilizes Off Policy Reinforcement Learning: **
技术交流群邀请函
△长按添加小助手
扫描二维码添加小助手微信
请备注：姓名-学校/公司-研究方向-城市
（如：小夏-浙大-大模型-杭州）
即可申请加入深度学习/机器学习等技术交流群
```
—完—
```
```
为您推荐
《跨语言大模型》最新综述
深度学习领域，你心目中 idea 最惊艳的论文是哪篇？
思考丨到底什么叫算法工程师的落地能力？
Transformer模型有多少种变体？看看这篇全面综述
从SGD到NadaMax，十种优化算法原理及实现
各种注意力机制的PyTorch实现
```
```
```
[跳转微信打开](https://wechat2rss.bestblogs.dev/link-proxy/?k=cf03be81&r=1&u=https%3A%2F%2Fmp.weixin.qq.com%2Fs%3F__biz%3DMzU3NjE4NjQ4MA%3D%3D%26mid%3D2247557392%26idx%3D1%26sn%3D9fd8889dd6e1d96befa5d69c88056b1f)