大家都听说过监督微调SFT，强化微调是个什么东西？

这次为期12天的OpenAI发布系列的Day2，就搞出了一个让开发者震惊的玩意儿。强化微调（Reinforcement Fine-Tuning）是通过给予模型高质量任务数据和参考答案来强化其推理能力。

与传统微调不同，强化微调并不是简单地让模型“记住答案”，而是通过训练模型在特定领域中学会推理，找到正确答案。可以把它想象成给 AI 一套复杂的规则，让它通过实践和思考逐步掌握解决问题的方法。

这种微调方法使用两种数据集：一个是用于训练的微调数据集，另一个是用于验证的测试数据集。模型首先通过微调数据集进行学习，然后在测试数据集上验证其推理能力，发现不足后再调整。通过这种反复的自我推理、训练和验证，模型的能力会逐步提升，最终达到极高的专业水平。

这种方法不仅提高了模型解决相似问题的能力，还显著增强了在特定领域的准确性。比如法律、保险、医疗、金融和工程领域，这些任务通常有明确的“正确答案”，而强化微调正是应对这些场景的利器

Sam Altman 认为强化微调 Reinforcement Fine-Tuning是2024最牛的技术进展，能帮助大家搞定专业模型的训练。

 用户用起来也非常简单。

强化微调技术最早由字节提出？

Reinforcement learning fine-tuning，简称为ReFT，它结合了监督微调（SFT）和强化学习（RL）的方法，通过引入多条推理路径的学习，对这些路径与正确答案的匹配程度进行自动评估，从而优化模型生成高质量解答的能力。

而且，这个技术路线，更早竟然是字节跳动提出发出的，论文还发布在今年ACL 24上。

字节跳动在ACL 2024顶会上发表的ReFT论文是：

REFT: Reasoning with REinforced Fine-Tuning

研究内容为，通过监督微调（SFT）和强化学习RL（PPO算法）结合，来提高大语言模型在解决数学问题方面的推理能力。

ReFT 由两个阶段组成：预热（Warm-up）阶段和强化学习RL阶段。首先使用 SFT 对模型进行预热，然后采用在线强化学习（在该工作中具体是 PPO 算法）进行优化。

预热阶段（Warm-up）

Warm-up是ReFT的初始步骤，其目的是为模型提供一个基础，使其能够生成对数学问题的基本正确响应。这个阶段使用监督式微调SFT实现：

这一阶段使用包含“Question”和“思维链CoT”元组的数据集：(x, e)。模型在这些“Question-CoT”对上进行微调，通常持续1-2个epoch。这个过程将模型的预测能力调整到能够生成适当的响应。

RL阶段

在预热阶段之后，模型进入强化学习阶段，这个阶段使用PPO（Proximal Policy Optimization）算法来进一步提升模型的性能。

这一阶段使用包含“Question”和“Answer”元组（x，y）组成的数据集。

具体来说，模型通过反复生成多种可能的CoT推理路径，还有一个评估器，专门评估响应的答案正确性，生成reward信号反馈。正确答案会给予正奖励，错误答案则不给予奖励。

这个过程，类似于AlphaZero在围棋领域的自对弈(self-play)学习。

从结果上看，ReFT在所有数据集上都显示出比SFT更好的性能，特别是在CodeLLAMA模型上，ReFT在GSM8K数据集上的准确率比SFT提高了近10个百分点。