4月12日消息，字節跳動于4月8日發布博文，其Seed研究團隊推出VAPO強化學習訓練框架，目標提升大型語言模型在復雜、冗長任務中的推理能力。

現有挑戰

在大型語言模型（LLM）的強化學習（RL）訓練中，價值導向方法（Value-based reinforcement learning methods）因能精確追溯每個動作對后續回報的影響，展現出巨大潛力。然而，應用于長鏈式推理（CoT）任務時，價值模型面臨三大挑戰。

首先，價值模型初始化會引入偏差；其次，傳統方法難以適應復雜任務中的序列長度差異；最后，驗證任務中獎勵信號稀疏，優化過程面臨探索與利用的權衡，這些問題限制了價值導向方法的實際效果。

VAPO 簡介

字節跳動最新推出的VAPO框架全稱為Value Augmented Proximal Policy Optimizationd（增強價值的近端政策優化），基于PPO框架，通過三項創新技術應對上述挑戰。

首先，VAPO模型構建了細致的價值訓練框架，增強模型對復雜任務的理解。其次，引入長度自適應廣義優勢估計（GAE）機制，能根據響應長度動態調整參數，優化長短序列的訓練效果。最后，VAPO整合了多項先前研究技術，形成協同增效的系統。

在不依賴特定監督微調（SFT）數據的情況下，Qwen2.5-32B模型通過VAPO優化后，在 AIME24 基準測試中將得分從5分提升至60.4分，超越DeepSeek R1的47分，超過此前 SOTA 方式 DAPO（50分）10分，僅用60%的更新步驟即達成業界領先。

相較于傳統Proximal Policy Optimization（PPO）算法，VAPO改進了數學推理能力，訓練曲線更為平滑，優化過程更穩定。

測試顯示，歸因于其價值模型提供的細粒度信號，VAPO在長序列任務中表現出色，得分增長更快。盡管后期訓練熵值降低可能限制探索，VAPO通過平衡設計確保了穩定性和可重復性。

VAPO的成功源于其綜合優化設計。消融研究驗證了七項技術的有效性：價值預訓練防止崩潰，解耦GAE支持長回答優化，自適應GAE平衡短長回答，剪裁策略鼓勵探索，詞級損失增加長回答權重，正例語言模型損失提升6分，分組采樣貢獻5分。

這些改進使VAPO在探索與利用間找到最佳平衡，顯著優于無價值導向的GRPO和DAPO方法。VAPO不僅提升了數學推理能力，還為LLM在復雜推理任務中的應用提供了新方向。

【來源：IT之家】