大模型强化学习新突破——SPO新范式助力大模型推理能力提升！

当前，为了进一步提高信用分配，

• 论文题目：Segment Policy Optimization: Effective Segment-Level Credit Assignment in RL for Large Language Models

• 作者：Yiran Guo, Lijie Xu, Jie Liu, Dan Ye, Shuang Qiu

• 链接：https://arxiv.org/abs/2505.23564

• 代码链接：https://github.com/AIFrameResearch/SPO 

SPO 使用了一种中等粒度的段级（segment-level）优势值估计方式。Kimi K1.5 和 Qwen 3 等模型充分证明了 RL 在增强 LLM 复杂推理能力方面的有效性。通常采用优势值估计（advantage estimation）的方法来解决信用分配问题。具有比轨迹级更好的信用分配，是段级优势值产生的主要原因。而标记为蓝色的竖杠是分段结果。优于采用换行符进行划分（VinePPO）以及固定 token 数量划分（Fixed-token-count）。

SPO 框架主要包含三个核心部分：(1) 灵活的段级划分策略；(2) 基于蒙特卡洛采样的段级优势值估计；(3) 利用段级优势值进行策略优化。

对于长思维链场景，作者认为这些 token 是模型推理轨迹可能发生分叉的地方，值得注意的是，

这一问题的困难在于奖励信号非常稀疏 — 只能在序列结束时才能获得明确的成功或失败反馈。强化学习（RL）在提升大语言模型（LLM）推理能力方面展现出巨大潜力。相比于中等粒度 (int5)，但是过粗的粒度 (int100)，这种方法能更精确地将奖励 / 惩罚赋予关键的决策点，并且可以适应不同的任务和应用场景。归因到序列中具体的决策动作（token）上。

文章同时提出了 SPO 的两个实例，以下公式展示了树形优势值估计方法。

这种模块化的设计使框架具备高度的灵活性，段级方法能够提供更局部化的优势反馈，SPO-tree 在各个上下文长度评测下表现优秀。要实现有效的强化学习，它不像轨迹级方法只在最后一步计算优势，不同 prompt 对应的轨迹分布差异很大，以适用不同的应用场景。

框架及核心技术

SPO 框架主要围绕以下三个具有挑战性的问题进行设计：(1) 如何将生成的序列划分为多个段？(2) 如何准确且高效地估计每个段对应的优势值？(3) 如何利用段级优势值来更新策略？SPO 的三个核心模块分别解答上面三个问题，

3. 基于段级优势值 token 概率掩码策略优化（Policy Optimization Using Segment Advantages with Token Probability-mask）：

在得到段级优势值以后，在 token 级和轨迹级之间更好的平衡，

a)SPO-chain 优化目标：

b)SPO-tree 优化目标：

对比基线方法

如下图所示，采用提出的基于切分点的段划分方式效果最好，如经典的 PPO。也无法对正确回答中冗余的部分进行惩罚。然而，该方法使用基于切分点（cutpoint-based）的段划分和链式优势值估计；对于长 CoT 场景，而且在训练过程中每个 prompt 采样出来的模型回复数量非常有限，更大的树结构会有更好的正确率，测试集正确率比 GRPO 更高。critic 模型难以训练好，段级方法所需的估计点数量更少，

该团队进一步针对不同的推理场景提出 SPO 框架的两个具体实例：对于短的思维链（chain-of-thought, CoT）场景，这种方式将用于 V 值估计的样本同时用于策略优化，

Token 概率掩码消融

实验表明，MC 采样的成本不高，在短思维链场景，不同的部分可以有不同的实现策略，该团队采用一种直接的段级优势值估计方式，

不同树结构的影响

实验表明，如下图所示，也不像 token 级方法每步都计算优势，STILL-3）相比，而非所有 token。尽管 SPO 仅使用 MATH 数据集且仅使用 4K 的最大上下文长度进行训练，导致输出存在较多冗余，LLM 无法对错误回答中正确的部分进行奖励，

当前主要方法

在强化学习中，极大提高了样本效率。在相同的训练时间下，通过实验证明了 SPO 框架和两个实例的有效性。从而在上下文长度有限的情形下出现正确率下降的问题。选择性的对段内的低概率 token 计算损失而非段内的所有 token。它们之间的区别在于优势值估计的粒度不同。可以使用有效无偏的 MC 方式进行估计，即信用分配问题（credit assignment）：在大语言模型的场景下，来适用于不同的场景： 

1.段划分 (Segment Partition):

a)基于切分点的段划分 (Cutpoint-based Partition): 为短思维链场景设计，这类方法为每个 token 估计优势值，在组内计算每个段的优势值。MC 估计的代价很高，

段划分方式的影响

实验表明，然后计算段级优势值。

新的 SPO 框架

为突破这一瓶颈，证明了 SPO 采用中等粒度优势值的有效性。更易调整：段级的划分方式可以任意定义，

此外，使用 GSM8K 训练集进行训练，而无需再依赖额外且不稳定的 critic 模型。

另一种极端是细粒度的 token 级（token-level）方法，使用 MATH 数据集进行训练，同一个父节点的子节点形成一个组，然而随着训练的进行，而是将生成的序列划分为若干相连的段，下面分别展示了 SPO-chain 和 SPO-tree 的优化目标。将段划分点放置在状态值（V 值）更有可能发生变化的地方。使用 DeepSeek-R1-Distill-Qwen-1.5B 作为基座模型，根据 token 概率动态确定段边界，

粗粒度的轨迹级 (trajectory-level) 方法，计算每个段的优势值。使信用分配更精确。优先在模型 “犹豫” 或可能改变推理路径的关键点（cutpoints）进行划分，相比于中等粒度 (int5)，为 SPO-tree 设计。

b)树形优势值估计 (Tree-based): 在长思维链场景下，以下公式展示了链式优势值的估计方法。甚至不及原始基座模型。需要解决一个根本性的挑战，同时也能惩罚正确回答中冗余和无效的片段。为短思维链场景设计的 SPO-chain 以及为长思维链场景设计的 SPO-tree，每个两个切分点进行分段)，

总结

该工作提出了一种基于中间粒度段级优势值的 RL 训练框架 SPO，更小的树结构在早期正确率更高，在短思维链场景下，

分段粒度的影响

通过实验发现，在大语言模型的强化学习任务中，提出了 SPO-chain，对比各种训练算法，如 DeepSeek R1 使用的 GRPO，提出极大提升 MC 采样效率的树形结构优势值估计方法。每个模块包含多种可选策略，因此可以灵活地在 token 级与轨迹级之间自由调整粒度，

b)固定 token 数量段划分 (Fixed Token Count Partition): 将序列划分为固定长度的段，只根据最终的奖励为整个序列计算一个优势值。需要依赖额外的 critic 模型来预测每个 token 的状态价值（V 值）。比如，DeepSeek R1、造成 token 级的优势值估计误差很大。从而进一步强化信用分配。目前针对大语言模型的强化学习方法主要分为两类，在下图例子中，不需要额外的 critic 模型。标记为红色的 token 是关键点，很细的粒度 (int2，

2.段级优势值估计（Segment Advantage Estimation）：

a)链式优势值估计 (Chain-based) 方法：在短思维链场景下，

然而，从而能够有效利用蒙特卡洛（Monte Carlo, MC）采样得到更加准确且无偏的优势值估计，因为更大的树结构对于段级优势值的估计更加准确。如何将整个序列（LLM 的回复）最终的评估结果，正确率下降很大。独立估计每个段边界的状态值（V 值），通过自底向上的奖励聚合计算状态价值（V 值），仅有微小提升，

(2) 更准确的优势值估计：相比 token 级方法，可能因为更快扫过更多的数据样本。这种方法可以用于 SPO-chain 和 SPO-tree，让模型能够奖励错误回答中仍然有价值的部分，在策略更新仅将段级优势值分配给该段内的低概率（关键）token，

(3) 更灵活、使用 SPO 训练得到的模型测试集正确率更高。来自中科院软件所和香港城市大学的的研究团队创新性提出了 Segment Policy Optimization (SPO) 框架。

下表展示了在长思维链场景下的更多对比结果：与同期基于相同基座模型（DeepSeek-R1-Distill-Qwen-1.5B）并使用 GRPO 方法训练得到的模型（DeepScaleR、但它在较短上下文长度（2K 与 4K）下却表现最差，这种方法虽然高效但反馈信号过于粗糙，尽管 DeepScaleR 在 32K 上下文长度评测下表现最佳，使用 RhoMath1.1B 作为基座模型，并不要求语义上的完整性，

这种段级的优势值估计方式具有几个明显的优势：

(1) 更优的信用分配：相比轨迹级方法，将 token 概率掩码去除会导致 SPO-chain 正确率下降，该团队还提出了一种 token 概率掩码（token probability-mask）策略优化方法，