强化学习的下一站：从监督到无监督
强化学习正在重塑大模型能力边界。OpenAI o3、DeepSeek-R1、Gemini 3 等顶尖模型都在用大规模 RLVR（可验证奖励强化学习）刷新推理任务的天花板。但所有人都知道， 纯监督式训练不可持续 。人工标注成本指数级增长，在专业领域获取可靠标注越来越难。当模型能力逼近甚至超越人类专家时，谁来给它打分？
从 TTRL 开始，无监督 RLVR（Unsupervised RLVR）应运而生， 让模型在没有人工标注的情况下持续进化 。这不仅是降本增效的需求，更是通往超级智能的必经之路。就像预训练用无标注数据 training 出了 GPT，无监督 RLVR 能否延续这一奇迹？
论文链接: https://arxiv.org/abs/2603.08660
GitHub: https://github.com/PRIME-RL/TTRL/tree/urlvr-dev
X Thread: https://x.com/HBX_hbx/status/2031406636930338828
清华团队一项最新研究，给这个看似美好的图景画出了第一条边界。研究者系统解剖了无监督 RLVR 的内在机制，发现所有基于模型自身信号的内在奖励方法，无论多数投票、熵奖励还是其他变体，都遵循着一条相似的轨迹：训练初期性能快速攀升，但到达某个临界点后，开始不可逆地滑落。 这不是某个方法的缺陷，而是机制的宿命：它们本质上都在锐化模型已有的偏好，像一个回声室，让模型不断重复自己最初相信的东西。如果初始自信恰好正确，效果惊人；如果错配，坍塌只是时间问题。
但这不意味着内在奖励没有价值。在小规模测试时训练中，它依然能稳定提升性能，即使模型一开始全是错的，也能在自我纠偏中进化。更重要的是，研究者找到了一个 “预言指标”，可以在大规模训练前预判模型的可训练性，无需跑完整条曲线。
当内在奖励受限于模型自身的回声时，外部奖励方法开始展现不同图景，比如让模型利用生成与验证的不对称性来锚定奖励。这类方法正在突破内在奖励的天花板，让无监督强化学习真正走向可扩展。
通往超级智能的路上，我们需要的不是盲目相信模型可以自我进化，而是知道什么时候该让它倾听自己的回声，什么时候该把它推向真实世界的验证。
内在奖励方法：繁荣表象下的深层问题
过去一年，各种 “内在奖励” 方法密集涌现。从多数投票到基于模型自信度 / 熵的变体，它们利用模型内在信号来构造 proxy reward， 训练前期性能飙升，甚至一度超过有监督方法 。
研究者将这些方法根据奖励的来源归纳为两类：一类基于 certainty，直接取模型在推理轨迹上的置信度指标作为奖励；另一类基于 ensemble，用多次 rollout 后的集成结果（如多数投票）来锚定正确。
虽然奖励的来源是免费的，但是代价却是昂贵的。在早期训练性能飙升之后，继续训练会触发典型的 reward hacking：
proxy reward 还在持续上涨，真实 performance 却在崩溃
模型越来越自信，但答案却越来越离谱
不同内在奖励方法在不同模型上表现天差地别
更关键的是， 没人说得清为什么 work，又为什么 fail 。
我们做了什么：拆开黑箱，划清边界
我们不想只是 “提出新方法刷个点”，我们想回答那个没人说清的问题：
无监督 RLVR 的 scaling 上限在哪里？如果有上限，边界在哪里？
为此，我们做了五件事：
统一理论框架 ：把看似五花八门的内在奖励方法归到同一个机制下，揭示它们殊途同归的本质 —— 锐化模型初始分布，并给出理论收敛边界。
大规模实证 ：11 个模型 × 5 种内在奖励方法 × 超参数扫描，用数据说话，验证了 “先升后降” 不是偶然，而是普适规律。
画出安全区 ：不是所有场景都会崩溃。我们发现，在小规模 test-time training 中，内在奖励可以安全使用，即使初始全错也能稳定进化。
化陷阱为路标 ：rise and fall 不只是风险，它本身就是信息。我们用它提炼出模型先验指示器，无需跑完整条 RL 曲线，就能预判一个基模是否适合强化学习。
探路替代方案 ：既然内在奖励有天花板，我们就看向外部。初步探索基于生成 – 验证不对称的外部奖励方法，看它能否真正突破内在奖励的 scaling 极限。
四个关键发现
🔍 发现一：成败取决于 “confidence-correctness” 对齐程度
我们建立了内在奖励方法的统一理论，揭示所有内在奖励方法的本质： 锐化分布，即放大模型已有偏好，而非创造新知识 。这个机制有个特性：
如果模型初始倾向正确 → 锐化有效，性能提升
如果模型初始倾向错误 → 锐化有害，加速崩溃
我们定义模型初始倾向（或者称为 模型先验 ）为 confidence-correctness 对齐程度 ，即当我们仅提升模型的自一致性时，有多大可能就能直接做对更多的题目。换句话说，一个先验比较强的模型，本身已经掌握了解决问题的大部分知识，只是不够自信以至于说不出正确的答案。
我们测试了 11 个模型、5 种方法、4 个常用的超参数，结论似乎是残酷的： 崩溃不可避免，只是时间问题 。即使最稳定的配置也撑不过几个 epoch。这说明可能不是工程问题，是数学必然。
左：成败取决于置信度 – 正确性对齐程度；右：单条数据上置信度与正确性随训练的演化✅ 发现二：小场景里反而安全
Rise and fall 是宿命，但宿命有它的适用范围。
当训练数据足够少，比如 Test-Time Training 这种特定领域场景，内在奖励方法反而展现出难得的稳定。原因很朴素：只在少量样本上优化自信度，模型跑不了多远就到头了。即便它在这些样本上变得 “超级自信”，也难以引发全局的策略偏移，OOD 任务上的准确率依然稳稳守住。
更有意思的是一个极端实验：研究者刻意选了 32 条模型全错的样本作为训练集。也就是说，内在奖励给出的 proxy reward 从一开始就是错的。结果呢？OOD 测试集上的性能依然在稳定提升。
这说明，内在奖励不是在教模型 “什么是对的”，而是在教它 “更相信自己”。即使信错了，这种自我强化也被牢牢锁在局部，翻不起大浪。
左：小规模 TTT 稳定提升，不崩溃；右：不同训练集规模下策略的 KL 偏移🎯 发现三：判断模型适不适合做 RL
Rise and fall 不只是风险，它本身就是信息。
既然内在奖励的成败取决于模型初始的 “置信度 – 正确性” 对齐程度，那能不能用这个对齐度，提前判断一个基模是否适合做 RL？毕竟，跑一次大规模 RL 的成本太高了，而学界一直缺一个轻量级的预判指标。
研究者找到了一把尺子： 模型坍塌步数（Model Collapse Step），去测量一个模型在内在奖励训练下，能撑多少步才完全崩溃 。逻辑很简单，如果崩溃越晚，说明模型的初始先验越好，它本身就掌握更多正确知识，只是不够自信；而这种先验，恰恰是标准有监督 RL 能够放大的东西。换句话说，内在奖励的崩溃点，就是模型 “RL 可训练性” 的天然指示器。
结果也印证了这一点。Qwen 这种公认 “适合 RL” 的模型系列，在内在奖励下撑得更久。更有意思的是，这个指标无需任何 ground truth 标注，预测准确率超过传统的 pass@k。
把失败变成路标，把昂贵的试错变成轻量级的预判。
左：不同基模在无监督内在奖励训练下的模型坍塌步数；中：对应基模有监督 RLVR 的性能提升。无监督内在奖励下崩溃越晚，有监督 RLVR 之后效果越好，预测准确率超过传统的 pass@k。
🚀 发现四：外部奖励才是 scalable 的方向
如果内在奖励注定有天花板，那路在何方？
问题的根源在于奖励的来源。内在奖励方法用模型自己的置信度来训练模型自己，这就像一个闭环回声室，奖励信号永远受限于模型已知的东西。你无法用它教会模型真正不知道的知识。
但无监督 RLVR 不止于此。我们把外部奖励方法归纳为两类：
利用无标注数据：从海量语料中挖掘奖励信号。数据越多，奖励信号越丰富，不会因为模型变强而枯竭。
利用生成 – 验证不对称性：让模型自己生成答案，再用外部工具（编译器、证明助手、模拟器）验证并提供环境反馈。这些验证器不会因为模型变强而失效，它们的判断永远客观。
我们初步测试了自验证方法，结果展现出一条截然不同的曲线：持续改进，没有崩溃。原因很朴素，奖励不来自 “模型有多自信”，而来自 “答案能否通过客观验证”。想出解法可能很难，但检查对错往往简单；这种不对称性，把模型的进化锚定在真实世界的铁律上，而不是自己的回声里。
内在奖励追问 “你相信自己吗”，外部奖励追问 “这是真的吗”。通往 scalable 的无监督强化学习，答案或许就在后者。
写在最后：边界之外
我们花了许多篇幅去描绘无监督强化学习的边界。但这张地图的价值，从来不在于告诉你 “此路不通”，而在于回答： 在什么条件下，哪条路通 。
一个系统能否通过审视自己而变得更好，取决于它最初的判断有多准确。 内在奖励方法失败的原因，恰恰是它们成功的原因，都是同一个机制：自我强化。区别只在于，被强化的是真理还是偏见。
当我们认清内在奖励的宿命，才真正看清外部奖励的星辰大海。通往 scalable 的无监督强化学习，需要的不是盲目相信模型可以自我进化，而是知道什么时候该让它倾听自己的回声，什么时候该把它推向真实世界的验证。
内在与外部不是对立，而是工具箱里的不同工具。认清边界，不是为了止步，而是为了 在边界内自由创造，在边界外寻找新的可能 。
]article_adlist–>
<!-- 非定向300*250按钮 17/09 wenjing begin --> <!-- 非定向300*250按钮 end -->
</div>
