让你更懂AI的 2025-10-14 13:48 北京
RL在大模型上终于“平民化”
强化学习之父、图灵奖得主 Richard Sutton 认为：新一代的智能体将主要通过从经验中学习来获得超人类的能力，而不是仅靠人类数据的监督学习。
强化学习之父、图灵奖得主 Richard Sutton 认为：新一代的智能体将主要通过从经验中学习来获得超人类的能力，而不是仅靠人类数据的监督学习。
传统 RL 训练在 32B 模型上动辄上万美元，现在只要 8 美元就能对 671B 的最新 DeepSeek-V3.2 进行强化学习！这一切只需通过 GRPO 在实践中学习经验，而非传统 GRPO 中对模型参数进行昂贵的调整。
在 DeepSeek-V3.1-Terminus上，Training-Free GRPO 仅需 100 条 DAPO-Math 训练数据和 18 美元，即可实现 AIME 榜单的 OOD 可迁移提升！
强化学习的天价训练成本，却带来与之不匹配的泛化能力
大模型虽强，但在专业领域表现往往不尽如人意。常见的解决方案是通过监督微调或者强化学习更新模型参数，但这背后是高昂的代价与新的局限：
算力黑洞：单次训练动辄消耗数万美元，每一次迭代都是真金白银的投入
泛化困境：通过参数微调优化的模型，往往泛化性不佳，只能胜任特定窄域任务。这导致企业不得不部署多个专用模型来覆盖完整业务需求，显著增加了系统复杂度和维护成本
数据稀缺：需要大量高质量标注数据。这正如强化学习之父 Richard Sutton 所言，人类数据中提取的知识正迅速接近极限。
面对这些痛点，我们不禁要问：面向实际落地场景，有没有既高效又便宜的替代方案？
革命性突破：Training-Free GRPO
腾讯优图实验室提出的 Training-Free GRPO 给出了肯定答案！这种方法的核心思想是：不修改模型参数，而是通过反复积累和迭代“经验知识”来指导模型行为。这也对齐了是强化学习之父 Richard Sutton 倡议的超级人工智能发展思路：让智能体从自身的经验中持续学习，而非仅仅模仿人类偏好。
如上图所示，传统 GRPO 需要更新模型参数，而 Training-Free GRPO 冻结了模型参数，通过多轮强化学习不断更新优化经验库，在推理时注入学习到的经验知识，实现了零参数更新的强化学习效果。
四步详解：如何不用训练也能“调教”大模型
第一步：多路径探索（Rollout）
如上图左侧所示，对于每个问题，模型会生成多个不同的解答路径。就像让学生用不同方法解同一道题，我们能够观察各种可能的解题思路。
比如在数学题中，有的路径可能选择复杂的坐标几何法，有的可能发现更巧妙的几何性质法。这种多路径探索帮助我们发现最优策略。
第二步：强化学习奖励（Reward）
奖励只需提供少量样本及其参考答案，提供一个优化的方向即可。每个生成的解答都会获得一个客观评分。这个评分可以是：
与标准答案的匹配度
代码执行结果的正确性
网页搜索任务的成功率
第三步：语义优势提炼（Group Advantage）
如上图右侧所示，模型会自我反思：比较同一组内的不同解答，总结出：“为什么A方法得分高？B方法哪里出错了？”。比如在案例中，模型发现：
成功路径：正确设定坐标方向，系统化验证所有条件
失败路径：方向设定错误，缺乏完整性检查
这种语义层面的洞察比单纯的数值评分更有指导意义。
第四步：经验库优化（Optimization）
基于提炼出的语义优势，模型会动态更新经验知识库：
新增经验：添加被验证有效的解题策略
修正经验：完善现有指导原则
删除经验：淘汰被证明无效的方法
整个过程就像一位学生在不断更新学习笔记，积累沉淀学到的经验
惊人效果：小成本大提升
在数学推理上，仅用 100 个训练样本，花费约 8-18 美元，就能在已经足够强大的 671B 模型上继续提升性能。如下表所示，无论是否采用代码工具（CI，code interpreter）帮助解题，在 AIME 榜单上的 Mean@32 指标都能实现提升。
训练仅需要三个轮次，下方左侧子图中训练集 Reward 指标（橙色）和样本外AIME榜单上 Mean@32 指标（绿色和蓝色）都在稳步提升。
右侧子图展现了训练中和样本外的平均工具调用次数均有所减少。这表明Training-Free GRPO 不仅能够鼓励正确的推理和行动，还能教会代理找捷径，更高效明智地使用工具。
而在下表所示的网页搜索场景中，Training-Free GRPO 同样无需更新模型参数，即可在 DeepSeek-V3.1-Terminus 强悍水平之上，实现了 4.6% 的 Pass@1 显著提升。
成本对比：降维打击传统方法
与传统强化学习（RL）方法相比，Training-Free GRPO 实现了训练成本的数量级降低：
传统 RL 训练：约 10,000 美元（训练 32B 模型如 Retool，400 个 step 需要 2 万 A100 卡时）
Training-Free GRPO：约 8～18 美元（优化 DeepSeek-V3.1 或 V3.2 的 671B 模型）
同时，对于大多数非密集调用型的实际应用，专门准备 GPU 提供训练好的 32B 模型推理服务也带来一定的固定成本。而 Training-Free GRPO 无论训练和推理都仅需 API，随用随付！
这种方法特别适合：
长尾细分场景适配：有一定价值，但无法支撑大规模训练和部署
快速迭代场景：需要频繁更新的大模型应用
预算有限团队：个人开发者，中小企业和研究机构
结语
Training-Free GRPO 的提出，将强化学习在超大规模 LLM 及复杂 Agent 系统上的训练成为可能，启动了低成本、高效率的强化学习新时代。从此，强化学习不再是巨头的专属游戏，每个开发者的小业务都能用得起、用得好。
8 美元就能做强化学习，你还等什么？
本文方法已开源，欢迎 Star 和试用！GitHub 地址：
https://github.com/TencentCloudADP/youtu-agent/tree/training_free_GRPO
arXiv 链接：
https://arxiv.org/abs/2510.08191
预告：Training-Free GRPO 将作为一个新功能集成到 Youtu-Agent 框架中，帮助开发者们进一步提升各种自定义场景的效果。
注：成本计算基于 DeepSeek API 官方定价，实际可能因使用情况而有所波动
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：hr@paperweekly.site
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
·