今天分享2篇2025最新RL×LLM的技术综述：复旦、字节等全景扫描“RL在LLM全生命周期的打法”，清华、上海AI Lab等聚焦“RL如何炼成大推理模型”
传统 RLHF解决“对齐”——让模型更礼貌、更安全。
2024 年起，OpenAI o1、DeepSeek-R1、Kimi k1.5、Qwen3 等相继亮相：在数学、代码、科学问答上暴涨几十个百分点，秘诀是RL with Verifiable Rewards（RLVR）——用可自动判对的奖励（unit-test、math-verify）代替昂贵人类偏好。
结果：推理长度↑、Pass@1↑，出现“自我反思”“纠错”等涌现行为，于是“大推理模型（LRM）”概念出圈。
第一篇Paper完整梳理 RL 在 LLM 全生命周期的玩法：从预训练 → 对齐 → 推理增强，重点解读 RLVR（可验证奖励 RL）的算法演进、多模态延伸、Agent 训练与内部反馈机制。
全生命周期地图
RL增强的LLM关键组件
| 阶段 | 关键算法 | 备注 |
|---|---|---|
| 预训练 | Reinforcement Pre-Training、OctoThinker | 把 next-token 变成可验证 RL 任务 |
| 对齐 | RLHF、DPO、RLAIF、Constitutional AI | 人类/AI 偏好→策略优化 |
| 推理增强 | RLVR + 多模态 + Agent | 最浓墨重彩的章节 |
LLM+RL全分类体系
推理阶段的强化学习方法
RLVR（可验证奖励强化学习）成为核心
用“自动判卷”式奖励（代码单元测试、数学答案校验）替代人工偏好，直接优化推理正确率。
算法演进路线
- GRPO：去价值网络，组内相对奖励做 baseline，稳定高效。
- DAPO：Clip-Higher（上界放松）+ 动态采样 + 超长截断，长链推理不崩。
- Tree 系列：TreeRPO/TreeRL 把 rollout 组织成树，步级奖励+KV-cache 复用，提升探索密度。
- 序列级新范式：GSPO 用整条序列的重要性权重，解决 token 级偏差，MoE 训练更稳。
清华、上海AI Lab等
把镜头对准「大推理模型 LRM」——为何 RL 能让 LLM 长出“长思维链”？它系统拆解了奖励设计、策略优化、采样策略、训练资源与落地应用，并给出 60+ 开源模型、40+ 数据/环境、30+ 训练框架的超全盘点。
一张图看懂 RL for LRM 组件
综述总览。介绍了面向大型推理模型（LRMs）的 RL 基础组件、开放问题、训练资源与应用，核心关注语言智能体与环境在长期演化中的大规模交互。
基础组件分类树，展示各方向的代表性工作：奖励设计、策略优化、采样策略
奖励设计 5 象限
| 类型 | 信号密度 | 是否可验证 | 案例 |
|---|---|---|---|
| ① 规则奖励 | 稀疏 | ✅ | 数学答案对错、代码单元测试 |
| ② 生成奖励 | 稀疏/密集 | ❌/✅ | LLM-as-a-Judge、RRM |
| ③ 密集奖励 | 步级/Token 级 | ✅/❌ | PRM、TreeRPO、Turn-level |
| ④ 无监督奖励 | 任意 | ❌ | 自一致性、熵、置信度 |
| ⑤ 奖励塑形 | 任意 | — | 混合规则+RM、Pass@K 对齐 |
策略优化“去 Critic” 浪潮
- GRPO：组内均值做 baseline，省掉价值网络，7B→67B 全尺寸可跑。
- DAPO：Clip-Higher + 动态采样 + 超长截断，AIME24 提升 10+ 分。
- GSPO：序列级重要性采样，MoE 训练更稳。
采样=隐藏核心生产力
| 技巧 | 目的 | 代表 |
|---|---|---|
| 在线难度过滤 | 避免梯度为 0 | PRIME、DAPO |
| 树 rollout | 步级奖励+KV-cache 复用 | TreeRL、ToTRL |
| 长度课程 | 8k→16k→32k 渐进 | DeepScaleR、S1 |
表4 | 用于 LLM RL 训练的静态数据集，涵盖数学、代码、STEM 与智能体领域
表6 | 面向 LLM 后训练的开源 RL 基础设施
https://arxiv.org/pdf/2509.08827 A Survey of Reinforcement Learning for Large Reasoning Models https://arxiv.org/pdf/2509.16679 Reinforcement Learning Meets Large Language Models: A Survey of Advancements and Applications Across the LLM Lifecycle如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
