wehub-resource-sync
92 lines
3.5 KiB
Markdown
92 lines
3.5 KiB
Markdown
# Soft Adaptive Policy Optimization (SAPO)
|
||
|
||
[Soft Adaptive Policy Optimization (SAPO)](https://arxiv.org/abs/2511.20347) 针对 GRPO 中硬裁剪（hard clipping）带来的问题，提出了一种基于温度控制的软门控（soft gate）机制，用于平滑地衰减离策略更新，同时保留有用的学习信号。
|
||
|
||
## 背景与动机
|
||
|
||
在强化学习训练 LLM 时，GRPO 通过计算 token 级别的重要性采样比（Importance Sampling Ratio）来处理 off-policy 训练：
|
||
|
||
$$
|
||
r_t = \frac{\pi_\theta(y_t|x, y_{<t})}{\pi_{\theta_{\mathrm{old}}}(y_t|x, y_{<t})}
|
||
$$
|
||
|
||
然而，token 级别的重要性采样比往往表现出高方差，这一现象在以下情况下可能更严重：
|
||
- **长文本生成**
|
||
- **MoE 模型的路由异质性**：采样时的 old-policy 模型与训练模型可能使用不同的专家路由，导致 logps 差异显著放大
|
||
|
||
为此，GRPO 通过硬裁剪来限制策略更新的幅度：
|
||
|
||
$$
|
||
L^{\mathrm{GRPO}} = -\min\left( r_t \cdot A, \mathrm{clip}(r_t, 1-\epsilon, 1+\epsilon) \cdot A \right)
|
||
$$
|
||
|
||
**硬裁剪的困境**：硬裁剪难以在稳定性和学习效率之间取得平衡——裁剪范围过严格会限制有效样本的数量，而过宽松则会引入离策略样本的噪声梯度，导致训练不稳定。
|
||
|
||
## SAPO 方法
|
||
|
||
SAPO 使用温度控制的 sigmoid 软门控函数替代硬裁剪，实现平滑的梯度衰减。
|
||
|
||
### 软门控函数
|
||
|
||
SAPO 的核心是使用 sigmoid 函数对重要性采样比进行软门控：
|
||
|
||
对于正向优势（$A > 0$），使用正向门控：
|
||
|
||
$$
|
||
g^{+}_t = \sigma\left( \tau_{\mathrm{pos}} \cdot (r_t - 1) \right) \cdot \frac{4}{\tau_{\mathrm{pos}}}
|
||
$$
|
||
|
||
对于负向优势（$A < 0$），使用负向门控：
|
||
|
||
$$
|
||
g^{-}_t = \sigma\left( \tau_{\mathrm{neg}} \cdot (r_t - 1) \right) \cdot \frac{4}{\tau_{\mathrm{neg}}}
|
||
$$
|
||
|
||
其中：
|
||
- $\sigma(\cdot)$ 是 sigmoid 函数
|
||
- $\tau_{\mathrm{pos}}$ 和 $\tau_{\mathrm{neg}}$ 是温度参数，控制门控函数的斜率
|
||
- $r_t$ 是重要性采样比
|
||
|
||
### SAPO 损失函数
|
||
|
||
$$
|
||
L^{\mathrm{SAPO}} = -g_t \cdot A
|
||
$$
|
||
|
||
其中 $g_t = g^{+}_t$ 当 $A > 0$，$g_t = g^{-}_t$ 当 $A < 0$。
|
||
|
||
### 温度参数
|
||
|
||
温度参数 $\tau$ 控制软门控函数的衰减速率，数值越大，衰减越快。
|
||
|
||
|
||
|
||
论文指出正向优势会提升采样token的logit，并降低所有未采样token的logit；负向优势相反，提高许多未采样token的logit，可能会扩散到大量无关token上，带来一定的不稳定性。所以论文推荐设置温度 $\tau_\text{neg} > \tau_\text{pos}$，来使负向奖励的token梯度衰减更快，提升训练的稳定性和性能。
|
||
|
||
论文默认推荐 $\tau_{\mathrm{pos}} = 1.0$，$\tau_{\mathrm{neg}} = 1.05$。
|
||
|
||
## 参数设置
|
||
|
||
| 参数 | 类型 | 默认值 | 说明 |
|
||
|------|------|--------|------|
|
||
| `--loss_type` | `str` | - | 设置为 `sapo` |
|
||
| `--tau_pos` | `float` | `1.0` | 正向优势的温度参数，控制门控斜率 |
|
||
| `--tau_neg` | `float` | `1.05` | 负向优势的温度参数，控制门控斜率 |
|
||
|
||
```bash
|
||
swift rlhf \
|
||
--rlhf_type grpo \
|
||
--loss_type sapo \
|
||
--tau_pos 1.0 \
|
||
--tau_neg 1.05 \
|
||
# ... 其他参数
|
||
```
|
||
|
||
训练脚本参考
|
||
|
||
- [swift](https://github.com/modelscope/ms-swift/blob/main/examples/train/grpo/internal/sapo.sh)
|
||
- [megatron swift](https://github.com/modelscope/ms-swift/blob/main/examples/megatron/grpo/sapo.sh)
|
||
|
||
> SAPO 的软门控机制仅在 off-policy 训练下生效。
|
||
> SAPO 中的重要性采样粒度为 token 级别（即 importance_sampling_level 默认设置为 token），与 GSPO 冲突。
|