当前位置：首页 > news >正文

大模型思维链衰减现象分析：从SFT到RL的训练陷阱与解决之道！

news 2026/8/26 10:56:27

简介

文章分析了大模型从SFT到RL训练阶段思维链(CoT)长度衰减的现象及其原因：奖励模型只关注结果不关注过程、某些任务不需要复杂推理、KL正则化惩罚长输出。解决方案包括：将CoT纳入奖励函数、SFT阶段补充高质量CoT数据、调整KL惩罚、明确要求步骤化输出，核心是让"认真思考"本身在训练中具有价值。

一个有趣的训练现象

在SFT阶段，我们精心设计”Let’s think step by step”提示，成功诱导出丰富的思维链。然而进入RL阶段后，Wandb监控曲线显示Reward稳步攀升，测试集答案准确率保持稳定，思维链长度却悄然衰减。

随着训练推进，模型仿佛经历某种”顿悟”，推理过程急剧压缩，有时甚至直接跳至结论。

造成这种现象的原因并不神秘：

第一点，很多任务并没有在奖励里考虑 CoT

Reward Model 只看最后的答案好不好，中间推理写得再工整，它也不会给你额外的分。于是模型自然发现：既然奖励信号只指向结论，那我就少写点，省 token，也降低暴露错误的风险。换句话说，这是被“稀疏奖励”驱着往简短路径走。

第二点，很多任务其实并不是“思考越多越好”

长篇常识问答、信息抽取、简单推理等任务，本身不依赖复杂推导，过度展开的 CoT 不但不会提升准确率，反而可能让模型在冗长的思路里跑偏。确实有一些研究显示：结构不良、过长的推理链会轻微提升幻觉发生率。于是 RL 在优化时，自然会偏好一条更直接、更稳定的输出路线。

第三点，是 KL 正则带来的隐性偏向

KL 本来是为了让模型不要偏离 SFT 先验太远，但另一个副作用是：越长的输出，累计的 KL cost 越高。假设 RM 并不因为“思考多”而给更多分，那模型很快就会意识到一件事——长 CoT 的性价比太低了；短句稳、成本低、reward-to-KL ratio 还最高，那为什么不短呢？

那怎么解决？

其实也不复杂，核心就是：如果你希望模型认真思考，那就得让“认真思考”本身有价值。

1、最直接的做法，是把 CoT 明确纳入奖励，不需要很复杂，哪怕只是对中间推理的完整度、逻辑性给一个小权重，也足以改变模型的偏好。

2、可以在 SFT 阶段补充高质量的 CoT 数据，让模型形成“推理是什么样子”的先验，而不是完全依赖 RL 去决定输出风格。

3、RL 阶段适当降低 KL 惩罚、或者做阶段性训练（先让模型学会必须思考，再学会压缩思考），都能让推理链更稳定。

4、如果任务本身确定需要多步思考（比如数学推理类），可以在 prompt 或生成规则里明确要求步骤化输出，让模型知道“必须写思考过程”。

最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

✅AI大模型学习路线图
✅Agent行业报告
✅100集大模型视频教程
✅大模型书籍PDF
✅DeepSeek教程
✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。