详细解析了大模型 RLHF 强化学习微调的全过程，涵盖奖励模型训练与 PPO 强化学习微调两个核心阶段。文章基于微软 DeepSpeed 的实现代码，解释了 Reward Model 与 Critic Model 的初始化关系、Pairwise Loss 训练方法、Actor 与 Ref Model 的 KL 散度约束机制，以及 PPO 算法中 Advantage 的计算与策略更新逻辑。通过代码片段展示了如何计算奖励值、处理 Padding、执行 Actor 和 Critic 的损失函数更新。最后总结了 RLHF 的三个主要步骤及面临的挑战，为开发者提供了完整的理论框架与工程实践参考。
在大型语言模型（LLM）的训练流程中，通常包含预训练、有监督微调（SFT）和人类反馈强化学习（RLHF）三个阶段。虽然网上关于 PPO（Proximal Policy Optimization）的文章不少，但很多内容浅尝辄止。本文结合微软 DeepSpeed 的 RLHF 实现代码，深入讲解奖励模型训练和强化学习微调的核心逻辑。
在强化学习微调语言模型时，Prompt 对应状态（State），输出一串单词（Action），得到一个 Reward。与传统游戏场景不同，这里的状态转移蕴含在 Transformer 内部，每个动作后并不立即获得新的外部 State，而是通过模型内部机制更新隐状态。对于回答的第二个词，可以将 Prompt+ 第一个词当作新的 State。
在强化学习阶段，使用的 Reward Model 和 Critic Model 使用同一个模型初始化。因此，在训练 Reward 模型的过程中，实际上也在训练 Critic Model。
符号说明：大模型中间隐藏层的参数维度为 (B, L, D)，其中 B 为 Batch Size，L 为句子长度，D 为 Embedding 维度。
RLHF 需要一个奖励模型来评估语言大模型（Actor Model）回答的好坏。该模型通常比被评估的语言大模型小一些（例如 Actor 66B，Reward 350M）。输入为 Prompt + Answer，输出用于打分。
奖励模型最后一层隐藏层的输出维度为 (B, L, D)，通过一个 D×1 的全连接层将维度变为 (B, L)。在 L 维度上，第 i 个位置的数据表示从第 i 个位置到最后一个位置输出所能获得的奖励分值的累加和（类似 DQN 中的 Q 值）。这种形式的输出满足了 Critic Model 的输出要求。
# Huggingface 模型返回值是个 list，第 0 位是模型最后输出的 hidden state
hidden_states = transformer_outputs[0]
# v_head 为 Dx1 的全连接网络对最后一维压缩
rewards = self.v_head(hidden_states).squeeze(-1)
对于一个奖励模型来说，目标是给一个句子进行打分。按理说每个句子对应一个分值即可，但目前长度为 L 的句子，奖励模型输出了 L 个值。我们取 L 维度上的最后一个位置的值作为本句话的奖励得分。
奖励模型训练优化采用 Pairwise Loss。即同时输入模型关于同一个问题的两个回答，让模型学会这两个句子哪个分高哪个分低。这是因为在给奖励模型进行数据标注的过程中，给同一个问题的不同回答量化具体分值比较难，但对它们进行排序相对简单。
# 同一个 batch 里的句子需要等长，短句后边会被 padding
# [divergence_ind:end_ind] 索引了 padding 前一个位置的输出分值
# chosen_reward 是同一个句子 pair 里分数高的句子，r_truncated_reward 是句子 pair 里分数低的句子
c_truncated_reward = chosen_reward[divergence_ind:end_ind]
r_truncated_reward = rejected_reward[divergence_ind:end_ind]
Pairwise Loss 代码如下，如果给 pair 里好的句子打分高（c_truncated_reward），坏的句子（r_truncated_reward）打分低，loss 就会小：
loss += -torch.log(torch.sigmoid(c_truncated_reward - r_truncated_reward)).mean()
在训练强化学习的过程中，会用到 Reward Model（Critic Model，两者是同一模型的两个副本）的推理过程。通过调用 forward_value 实现，返回的值中有两种值：
values：表示每个位置 i，从第 i 个位置到最后一个位置的奖励累加值，供强化学习过程中 Critic Model 使用。chosen_end_scores：指的是对每个 Prompt + Answer 的打分，供 Reward Model 使用。def forward_value(...):
...
if return_value_only:
# (B,L)
return values
else:
...
return {
"values": values,
# （B,）
"chosen_end_scores": torch.stack(chosen_end_scores),
}
强化学习微调阶段，会用到 4 个模型：Actor Model、Ref_Model、Reward Model 和 Critic Model。
首先用 Actor Model 在 推理模式 下根据 Prompt 生成一个 Answer（Prompt 对应强化学习里的 State，Answer 对应一系列 Action）：
# 保证不触发反向传播
with torch.no_grad():
seq = self.actor_model.module.generate(prompts,
max_length=max_min_length,
min_length=max_min_length)
然后利用 Reward Model 和 Critic Model 对输出的 Prompt + Answer 进行打分（PPO 训练时使用的奖励值并不单单是 Reward Model 的输出，还要考虑 KL 散度）：
# 奖励模型返回的是个字典，key 为 chosen_end_scores 位置存储数据维度为 (B,)，表示对于 prompt+answer 的打分
reward_score = self.reward_model.forward_value(
seq, attention_mask,
prompt_length=self.prompt_length)['chosen_end_scores'].detach()
# Critic model 返回的数据维度为 (B,L)，L 维度上第 i 个位置代表从 i 位置到最后的累积奖励
# 舍去最后一个位置是因为句子'终止符'无意义
values = self.critic_model.forward_value(
seq, attention_mask, return_value_only=True).detach()[:, :-1]
Actor Model 是我们想通过强化学习微调的大模型，但是强化学习过程很容易把模型训练'坏'，因此需要另外一个 不会参数更新 的 Ref_Model 来当作标的，别让 Actor Model 跑偏太远。
我们在 训练模式 下，将 Prompt + Answer 分别输入到 Actor Model 和 Ref Model，用 KL 散度来衡量 Ref Model 和 Actor Model 输出的差别。同时将 KL 散度纳入损失函数（KL 散度本质是纳入到奖励值里的，奖励值被纳入到了损失函数），进而来约束 Ref_Model 和 Actor Model 的输出分布别差距太大。
# 得到两个模型的输出
output = self.actor_model(seq, attention_mask=attention_mask)
output_ref = self.ref_model(seq, attention_mask=attention_mask)
logits = output.logits
logits_ref = output_ref.logits
...
return {
...
# 分别得到两个模型在真实单词上的预测概率
'logprobs': gather_log_probs(logits[:, :-1, :], seq[:, 1:]),
'ref_logprobs': gather_log_probs(logits_ref[:, :-1, :], seq[:,1:]),
...
}
...
# 计算 kl 散度，log_probs 里边存的数字经过 log 变化了，因此减法就对应除法
kl_divergence_estimate = -self.kl_ctl * (log_probs - ref_logprobs)
PPO 训练时候的奖励值综合考虑 KL 散度和 Reward 模型的输出，只考虑 Answer 部分的 KL 散度，将 Reward Model 的输出加到 KL 散度 L 维度的最后一个位置上，得到最终的奖励值：
rewards = kl_divergence_estimate
# 只考虑 answer 部分的奖励，不考虑 prompt
start = prompts.shape[1] - 1
# 不考虑 padding 部分
ends = start + action_mask[:, start:].sum(1)
reward_clip = torch.clamp(reward_score, -self.clip_reward_value,
self.clip_reward_value)
batch_size = log_probs.shape[0]
# 在 L 维度上，每个位置都有 KL 散度，但是只在最后一个位置加上奖励值
for j in range(batch_size):
rewards[j, start:ends[j]][-1] += reward_clip[j]
接下来的内容是 PPO 训练过程的核心，目标是计算 PPO 更新公式里的 Advantage，具体公式如下，V 就是 Critic Model 的输出。
def get_advantages_and_returns(self, values, rewards, start):
# values（B，L）critic model 输出
# rewards（B，）reward model 输出
# start answer 开始的位置
lastgaelam = 0
advantages_reversed = []
length = rewards.size()[-1]
# 计算每个时刻（序列位置）的 critic model 预测误差
for t in reversed(range(start, length)):
nextvalues = values[:, t + 1] if t < length - 1 else 0.0
# critic model 预测的是 t 到到最后一个时刻的奖励和，所以变化量 delta 可以用如下公式表示
delta = (rewards[:, t] + self.gamma * nextvalues) - values[:, t]
# self.gamma=1，self.lam=0.95 是衰减因子，表示之前计算的 delta 对现在影响越来越小
lastgaelam = delta + self.gamma * self.lam * lastgaelam
advantages_reversed.append(lastgaelam)
advantages = torch.stack(advantages_reversed[::-1], dim=1)
# 后续用来更新 critic model 用
returns = advantages + values[:, start:]
return advantages.detach(), returns
以上过程，我们已经拿到了 PPO 训练所需要的 Advantage 以及 Actor Model 的输出，现在可以对 Actor Model 进行训练啦。
def actor_loss_fn(self, logprobs, old_logprobs, advantages, mask):
## policy gradient loss
#logprobs, old_logprobs 都是经过 log 变化的单词概率，这里带着 log 做减法就相当于在做概率除法
log_ratio = (logprobs - old_logprobs) * mask
# 指数操作去掉 log
ratio = torch.exp(log_ratio)
pg_loss1 = -advantages * ratio
pg_loss2 = -advantages * torch.clamp(ratio, 1.0 - self.cliprange,
1.0 + self.cliprange)
pg_loss = torch.sum(torch.max(pg_loss1, pg_loss2) * mask) / mask.sum()
return pg_loss
同样的，我们也要对 Critic Model 进行训练，更新，Loss 就是 MSE Loss。
def critic_loss_fn(self, values, old_values, returns, mask):
## value loss
# 用'老 critic model'的输出约束'新 critic model'不要步子太大，裁剪一下
values_clipped = torch.clamp(
values,
old_values - self.cliprange_value,
old_values + self.cliprange_value,
)
vf_loss1 = (values - returns)**2
vf_loss2 = (values_clipped - returns)**2
vf_loss = 0.5 * torch.sum(
torch.max(vf_loss1, vf_loss2) * mask) / mask.sum()
return vf_loss
至此，我们的 RLHF 训练流程就结束了。第二部分开头我们说过，共涉及 Actor Model、Ref_Model、Reward Model 和 Critic Model 这四个模型，其实更新参数的模型只有 Actor Model 和 Critic Model。
RLHF 技术使得大模型能够更好地对齐人类价值观，提升回答质量。整个流程主要包括三个步骤：
在实际应用中，RLHF 面临诸多挑战，如奖励黑客（Reward Hacking）、训练不稳定、计算资源消耗巨大等。未来研究方向包括改进采样效率、探索更高效的 PPO 变体、以及减少对人标注数据的依赖。理解上述代码逻辑有助于开发者更好地调试和优化自己的 RLHF 系统。
建议参考 HuggingFace 官方博客了解更详细的算法原理，并结合实际业务场景调整超参数。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online