“预测下一个token”——这个支撑LLM的核心训练机制，正在被强化学习颠覆。
微软亚洲研究院（MSRA）联合清华大学、北京大学提出全新预训练范式RPT（强化预训练），首次将强化学习深度融入预训练阶段，让模型在预测每个token前都能先“动脑推理”，并根据推理正确性获得奖励。
传统预训练依赖海量文本进行自监督学习，模型通过简单预测下一个token建立语言能力，作者将之比喻为一块蛋糕胚，而RL只是作为上面点缀的一颗樱桃。
现在RPT要做的就是用樱桃直接做蛋糕，即将这一过程重构为推理任务，促进模型更深层次理解和提升下一个token的预测准确度。
那这块樱桃蛋糕到底怎么做？详细烘焙流程我们接着往下看。
将强化学习引入预训练
传统的预训练方法采用自监督的下一个token预测任务，而RL通常承担微调LLM的功能，使其与人类偏好对齐或者增强复杂推理。
然而基于人类反馈的强化学习（RLHF）过度依赖昂贵数据，且模型容易受到奖励破解；可验证奖励的强化学习（RLVR）也会受到数据稀缺的限制，只能应用于特定领域的微调。
为了让强化学习更好地作用于LLM，团队提出的全新范式强化预训练RPT，激励使用RL进行有效的Next-Token推理任务，将预训练语料库重构为推理问题集，推动预训练从学习表面的token相关性转为理解深层含义。
模型首先需要对多个token生成一个思维链推理序列，涉及多种推理模式（如头脑风暴、自我批评和自我纠正），然后再为下一个token生成预测。
具体来说，RPT就是通过让LLM同策略（on-policy）执行，以生成多条不同的思维轨迹，每条轨迹包含中间推理步骤和对下一个token的最终预测。
引入前缀匹配奖励，验证预测的正确性。如果预测与真实token匹配，则分配正奖励1，反之为0。该奖励信号将用于更新LLM，以鼓励生成能准确延续上下文的轨迹。
团队使用包含4428个竞赛数学问题及答案的OmniMATH数据集，并通过计算下一token的熵和设定阈值，进行数据过滤，只保留更难预测的token参与训练。
另外采用Deepseek-R1-Distill-Qwen-14B作为基础模型，使用GRPO算法和8K的训练长度，批大小为256个问题，每个问题采样8个响应。
更深层次的推理
实验表明，与R1-Distill-Queen-14B相比，RPT-14B在三种难度（简单、中等、困难）上均实现了更高的下一个token预测准确率，优于标准下一token预测基线和使用推理的预测基线。
在性能上，也可与更大的模型R1-Distill-Queen-32B相媲美，说明RPT能有效捕捉token生成背后的复杂推理信号，并在提升LLM的语言建模能力方面拥有巨大潜力。
RPT在跨难度的训练计算方面，也表现出清晰的幂律缩放 （Power-law Scaling），预测准确性随着计算的增加而不断提高，并且与理论曲线紧密拟合。
与传统的使用下一个token预测相比，在具有可验证答案的问题（即Skywork-OR1）上，使用RL微调RPT模型显示出更强的推理能力。
在数据有限的情况下，可以快速将从下一token推理中学习到的强化推理模式迁移至最终任务。
另外模型在SuperGPQA和MMLU-Pro基准测试上的零样本评估表明，RPT-14B不仅优于R1-Distill-Queen-14B，还在推理模式中显著超过了R1-Distill-Qwen-32B。
最后团队还对推理轨迹进行分析，发现与显式问题解决模型相比，RPT-14B采用了更多的假设生成、替代方案的考虑以及对结构线索甚至颗粒度token级细节的反思。
既包含高级语义理解，又包含低级文本特征，说明RPT在训练过程中会培养更深层次的推理习惯。
One More Thing
这块著名的“蛋糕论”最早出自图灵奖得主Yann LeCun在2016年的演讲。
如果智能是一块蛋糕，那么大部分蛋糕都是无监督学习，蛋糕上的裱花是监督学习，而蛋糕顶部的樱桃则是强化学习。
而现在试图用强化学习碾碎这块蛋糕的，还有OpenAI。
在上个月红杉组织的AI Ascent活动中，OpenAI科学家Dan Roberts就提及了他们在将RL置于模型预训练过程中的转变。
在GPT-4o中全是传统预训练计算，在o1中引入了一些强化学习运算并且取得了不错的效果，在o3中则引入更多，他们预计在未来的某一代模型中，将会完全由RL计算主导。
有理由相信，未来RL或许将在LLM预训练过程中掀起更大的风暴，且让我们拭目以待。
论文链接：https://arxiv.org/abs/2506.08007
