RL特训出「押题大师」?破解模型微调中的多样性危机与灾难性遗忘

RL之后，大模型为什么更容易「越训越单一」？

近年来，基于可验证奖励的强化学习（Reinforcement Learning with Verifiable Reward, RLVR）已成为提升大语言模型推理能力的重要路径。

从数学求解到代码生成，再到SQL推断，大量研究表明，RL能显著提升模型在单次作答场景下的成功率。

然而，一个关键现象始终未得到充分解释：为什么许多经过RL微调的模型，虽然 Pass@1提升了，但在允许多次尝试时，Pass@k反而下降了？

这表明，模型或许更擅长「押中一次正确答案」，却丧失了原本丰富的解题路径与候选解空间。更进一步，这种现象往往伴随着灾难性遗忘（Catastrophic Forgetting）和跨领域泛化能力的下降。

现有方法通常将注意力集中于奖励设计、采样策略或熵调控，但研究团队发现，一个更基础、更关键的问题长期被忽视：RL目标中的divergence项，究竟应如何选择？

针对这一问题，复旦大学、无限光年、上海科学智能研究院（下称上智院）、上海创智学院的联合研究团队聚焦于长期被忽视的KL散度项，从divergence选择的角度破解这一难题。相关研究成果已被ICLR2026接收。

论文标题：The Choice of Divergence: A Neglected Key to Mitigating Diversity Collapse in Reinforcement Learning with Verifiable Reward

代码链接：https://github.com/seamoke/DPH-RL

divergence 选择困境：反向KL与约束缺失的代价

在大多数RL后训练方法中，常见做法是采用reverse-KL，或直接移除 divergence 约束。然而，这两种选择均存在明显缺陷：

• Reverse-KL本质上是mode-seeking的，会鼓励策略向少数高概率模式收缩；
• 缺失divergence项意味着模型在训练过程中缺乏对原始知识分布的显式保护机制。

这两种设定都会导致模型日益集中于少量「熟悉答案」，进而引发Pass@k下降、既有能力遗忘以及跨任务泛化能力减弱。若以更形式化的方式表述，传统 RLVR 可概括为：

其中，πθ为当前策略，πref为参考策略（通常为初始模型或SFT模型）。问题的关键在于：若此处的divergence选择不当，后半部分将不再是「保护机制」，反而会沦为「多样性压缩器」。

若将基础模型视为已掌握大量知识与多样解法的「知识分布」，那么RL微调的目标本应是在保留既有能力的前提下进一步提升任务表现。

然而现实中，许多RL方法更像是在不断强化少数高回报轨迹——模型逐渐偏向一两种最易获得奖励的解法，而舍弃了原本同样有效但出现频率较低的其他路径。

研究团队进行了一项有趣的实验：通过SFT让模型学习到多种不同风格的回答方式，仅凭前缀即可判断模型采用了哪种风格；然而经过标准GRPO训练后，模型几乎只保留了一种风格。

因此，研究团队认为，RLVR中真正需要解决的，不仅是「如何学得更强」，更包括：如何在优化奖励的同时，保全模型原本拥有的多样性。

方法：将divergence从「约束项」重塑为「保多样性机制」

基于上述观察，团队提出了DPH-RL（Diversity-Preserving Hybrid RL）。这项工作的核心思想是：

divergence不应仅是训练时的附带正则项，而应被重新设计为主动保护模型多样性的机制。

具体而言，不再沿用传统的reverse-KL，而是引入更具mass-covering性质的 ，例如：

与倾向于收缩至单一模式的reverse-KL不同，这类divergence会鼓励新策略继续覆盖参考策略中原本存在的多种解法。换言之，它并非强迫模型「只记住最优路径」，而是在提醒模型：「你可以继续变强，但不要忘记原本掌握的东西。」

从机制上看，该研究的方法可理解为一种rehearsal mechanism（复现机制）：模型在训练过程中持续参考初始策略的分布，从而保留原有的知识覆盖范围，避免在强化学习过程中发生过度收缩。

以提到的forward-KL为例：

此处的期望是对参考策略πref取的。只要参考策略曾覆盖过某些合理解法，新策略πθ便不能轻易将其概率压至接近零。正因如此,forward-KL更具mass-covering倾向，更适合作为「保多样性」的工具。

进一步地，论文还引入了JS divergence作为更稳定、对称的替代方案。若记：, 则对应的生成函数可写为：。由此得到一类更加平滑的分布约束方式。

此外，DPH-RL在实现上也更为高效。作者采用基于generator function的方式计算f-divergence，仅需从初始πref预采样，无需在训练过程中维护在线reference model。

这使得方法在训练成本上更加友好，更适合实际大规模后训练场景。在具体训练时，DPH-RL 并非对所有样本「一刀切」地施加同一种约束，而是先将数据划分为两部分：

• 探索集合Dexp：针对模型尚未掌握的困难样本，不加入任何KL penalty，让模型在困难样本上更激进地探索高奖励解法。此处采用标准 PPO-clip 目标：

• 近完美集合Dpef：针对模型已基本掌握的样本，πref从Dpef采样，依靠f-divergence保持在正确样本上的多样性。更直观地说，模型在这部分样本上不再追求「获取更高奖励」，而是尽量不偏离原本已表现良好的行为分布，其一般形式为：

因此，整体训练过程更适合表述为「分情况计算」的形式：

换言之，并非对每个样本同时叠加「探索项 + 保持项」，而是先判断样本属于Dexp还是Dpef，再计算对应的loss。

更优的divergence选择可同时兼顾性能提升、多样性保留与泛化能力

实验设置

论文采用Llama3.1-8b作为实验模型，仅在BIRD数据集上训练，并在BIRD、Spider 及数学任务数据集上测试OOD泛化能力。

In-Domain性能：`Pass@k`的恢复

在BIRD数据集上，结果清晰表明：

• GRPO与DAPO虽可能提升了Greedy（相当于Pass@1）表现，但其Pass@8和Pass@16分数均显著低于Base Model，证实了多样性坍塌的存在；
• RKL（反向KL） 表现同样不佳，Pass@k出现下降；
• DPH-F与DPH-JS不仅Greedy分数最高，其Pass@8分数也超越了Base Model。其中，DPH-JS的Pass@8分数较GRPO高出4.3%。在更大的k设置下，DPH-RL更接近base model，缓解了Pass@k的崩塌。

Cross-Domain与OOD性能：泛化能力的保持

我们将SQL任务上的Spider数据集视为cross-domain，将数学数据集视为out-of-domain。可以看到，所有仅在SQL数据集Bird上训练得到的RL模型，在分布发生偏移时都会出现不同程度的性能下降。

正如图中所示，随着任务与训练分布的差异逐步增大，Pass@k整体呈现明显下降趋势，这也是OOD场景中的普遍挑战。

不过，更值得关注的是各方法的相对表现：

• DPH-F与DPH-JS的Pass@k分数显著高于其他所有RL方法，最接近Base Model的原始水平；
• DAPO在OOD任务上表现不稳定、性能保留能力不如DPH-F，DPH-F的Pass@16分数较DAPO高出9.0%；
• Reverse-KL在OOD场景下表现严重下滑。

这表明，通过保留解决方案的多样性，DPH-RL能够更有效地防止灾难性遗忘，从而在面对新领域问题时保持更强的泛化能力。

保留 (Keep)与探索 (Exploration)的显式平衡

为了揭示DPH-RL的核心机制，论文通过解构模型在Pass@8上的表现，分析了 RL 微调前后的知识动态：

• 保留率 (Keep Rate)：衡量知识稳固度。指基础模型原先能做对的样本在微调后依然保持正确的比例。
• 额外探索率 (Additional Exploration Rate)：衡量能力增量。指基础模型原先做错的样本在微调后转而做对的比例。

实验结果揭示了DPH-RL与GRPO之间的核心区别：

1. 高保全性：DPH-RL拥有极高的保留率，能有效留存模型已有的稳固知识，从根本上避免了「灾难性遗忘」。
2. 净增益优势：相比之下，GRPO虽然具有一定的探索能力，但在获取新知识的同时，往往伴随着对原有能力的剧烈侵蚀——即典型的「学新忘旧」。

由此可见，DPH-RL通过对强化学习组件的功能解耦，实现了保留与探索的显式平衡。它证明了在通过 RL 提升模型能力上限的同时，稳固已有的知识底座是取得最终胜出的关键。

总结

本文系统分析了RLVR中普遍存在的diversity collapse现象，指出常用的reverse-KL 及无divergence设定均缺乏有效的知识保留机制。

为此，作者提出DPH-RL，将mass-covering f-divergence作为保护模型多样性与缓解遗忘的核心工具。

实验表明，DPH-RL不仅能缓解Pass@k下降问题，还可同时提升Pass@1，并在跨域任务上展现出更优的稳定性与泛化能力。更重要的是，这一结果启示我们：在RL后训练时代，保住多样性与提高奖励同等重要。