新智元报道

编辑：桃子

离职meta后，田渊栋团队最新论文放出了。他们提出的「三门理论」发现，RLVR微调只在小权重里发力，性能提升的同时又不破坏模型结构。

田渊栋离职meta之后，最后一篇亲笔？

上月末，meta血裁600人团队，AI大佬田渊栋官宣自己也被裁员。

最近，他在meta期间一篇论文正式发布，已被顶会NeurIPS 2025录用。

最新研究中，他们发现一个反常却稳定的规律——

强化学习与可验证奖励（RLVR）虽能提升模型性能，但几乎不碰主方向上的权重。

这是一种受模型结构自身约束的优化偏置。

这背后的原因究竟是什么，不如打开「黑箱」看一看。

论文地址：https://arxiv.org/pdf/2511.08567

论文中，团队提出了「三门理论」，即KL锚点 → 几何结构 → 精度。

它能解释并刻画AI独特的优化行为，也为近期一系列来自参数空间的观察现象，提供了可解释性：

其中就包括，RL更新稀疏、RL遗忘较少，在线量化秩序一次校准。

更重要的是，RLVR的优化方式与监督微调（SFT）完全不同，而且，人们常在SFT中用到的方法，不一定在RL中好使。

总言之，新论文最大的贡献在于，首次绘制出RLVR训练动态的「参数层面全景图」。

RL学习，优化偏差从哪来？

在研究之前，meta团队提出了一个关于RL学习动态的核心问题：

优化偏差是从哪里产生的？它在训练过程中如何影响参数的变化？

为此，他们专门探索了RLVR方法。

它是通过使用确定性的、可验证的奖励函数，去提高LLM在精确任务中的性能。

RLVR会在同一个预训练模型的前提下，把更新引导到跨不同运行、数据集和训练方案中的同一类偏好区域。这是一种受模型本身影响的优化偏向。

如下所示，在训练过程中，RL会把更新集中在同一模型的相同区域。

每个面板展示的是一个0-1更新掩码（1=已更改，0= 更改）。尽管使用的数据和算法不同，这种条纹状模式仍在不同运行中反复出现

1 RL会将更新定位到同一模型的相同区域

这里，作者分析了DeepSeek-R1-Distill-Qwen-1.5B的5次微调运行。

这些运行分别使用了，包括数学、代码等多样化数据，以及不同的RL变体，如GRPO、DAPO、Reinforcement++。

首先计算更新掩码 M_i，通过比较基础模型和微调模型来追踪更新集中在哪些位置。

随后，更新一致性比率：

如下所示，在五次RLVR运行中，团队绘制了第13层的投影（Q/K/V/O）以及MLP的下投影。

较亮的条带标记了在大多数运行中被更新的坐标，呈现出一种稳定的、类似条纹的路由模式，而不是随机散布。

权重更新的一致性比例

2 优化偏向在整个训练过程中持续存在

为了研究单次运行内部的动态变化，作者又在DeepSeek-R1-Distill-Qwen-1.5上，跟踪了训练步骤中的按行和按列的更新比率：

下图中，路由偏向在训练初期便开始出现，并在训练推进中不断增强。

这表明这是一种随时间保持稳定的现象，而不是短暂的偶发现象。 其峰值与图2中的偏置结构一致。

3 这种偏向可在不同模型族之间泛化

不仅如此，作者又在Llama和Mistral上，同样观察到了类似的条纹结构特征。

这表明，这种路由偏向是RLVR的普遍现象。

「三门」理论，破解黑盒

那么，究竟是什么驱动了RLVR独特的训练动态？

论文中，研究人员提出了一个「三门理论」。具体来说，每一步RL更新都会经过三个「门」——

它们共同将更新从主方向偏离，并引导进入低曲率、保持谱结构的区域。

门一： KL锚点对更新的约束

实验显示，同策略（on-policy） 的RL更新，会施加一种隐式的KL「牵引绳」，即锚点效应。

这使得每一步策略的偏移都保持很小。

巧的是，这一观察与近期MIT、斯坦福等机构研究的观点一致。此前研究表明，最终策略也与初始策略保持KL上的接近。

接下来的重点在于，这条「牵引绳」是如何影响权重更新的动态过程？

门二：模型几何结构决定KL约束下更新的落点

上面的门一，提供了限制单步偏移的KL「牵引绳」，但并不规定更新会落在哪里。

在一个预训练良好、具有结构化几何特性的模型中，小幅更新会局限在其既有几何结构内。

根据矩阵扰动理论，如Wedin的sin-Θ定理），小范数扰动只会导致极小的子空间旋转，并保持近乎稳定的谱结构。

在KL约束下，RL更新往往会保持模型的原始权重结构，而不是将其破坏。

因此，更新会自然偏向优化地形的低曲率方向，从而避免模型行为出现剧烈变化。

鉴于直接在长CoT的LRM中量化曲率成本极高，团队又采用一种高效的替代指标——主权重（principal weight）。

门三：精度限制

正如作者所言，存不下的东西看起来就像「稀疏」的。

bf16的有限精度（仅有7位尾数）像一块「透镜」：它会掩盖那些RL想持续施加但幅度过小、无法被有效存储的微更新。

基于理论的验证：RLVR优化动态

在参数层面，作者验证了RLVR的学习动态，其与理论框架高度一致。

尤其是，门二所描述的「更新偏向非主权重」。RLVR在提升推理能力的同时避开主方向：

它保持谱几何结构、避开主权重；而一旦预训练的几何结构被破坏，这种优化偏向也会随之消失。

RLVR保持谱几何结构，而SFT会破坏它

如下所示，是SFT与RLVR在Qwen3-8B-base上的谱几何对比。

与SFT相比，RLVR能保持稳定的前k阶谱，并显著减少子空间旋转。

左图：示例层的前k个主角度和奇异值曲线；右图：跨所有层的最大主角度与归一化谱漂移

RLVR会避开主权重，而SFT则会直接更新主权重

下图中，RL会避免更新主权重。

研究人员将RL的更新掩码与主权重掩码M_princ、低幅值掩码M_low，以及二者的组合M_princ ∩ M_low^c进行对比。

RL更新与主权重之间的逐层重叠比例始终低于随机水平；

而当去除其与M_low的重叠权重（即M_princ ∩ M_low^c）后，这种效应表现得更为明显。

RL算法重新思考

作者观察到的训练动态揭示了一个超越机制本身的重要洞见：

RL在参数空间中的优化机制，与SFT完全不同。

那些诞生于SFT时代的旧PEFT方法，尤其是依赖稀疏或低秩先验、并因此与SFT训练动态高度对齐的方法，在RLVR中的迁移表现并不好。

下图中的曲线直接验证了：SFT中偏好的主方向更新，对于RL并不有效。

下图中，是LoRA与PiSSA在DS-Qwen-1.5B（DeepMath-103K）上的表现对比。

整体来看，PiSSA（以主方向为目标）相较LoRA并未带来额外收益；

并且在较高学习率、被强制推动主方向更新时，它往往会在早期崩溃，而LoRA依然更为稳定。

这一结果支持了研究中的几何分析：强行将更新推入SFT所偏好的主方向与RL的优化特性并不匹配，不但无法带来明显收益，还会在放大学习率时导致训练崩溃。

智能体与RLHF任务

此外，作者还分析了额外的智能体与RLHF（基于人类反馈的 RL）检查点，并确认它们在权重空间上的诊断结果与前文一致：

(i) 主子空间旋转幅度极小，

(ii) 谱漂移轻微，

(iii) 更新与主方向存在显著错位。

如下是更多关于关于智能体和RLHF的实验结果。

参考资料：

https://x.com/tydsh/status/1989049095575728156?s=20