当我们训练大型人工智能模型时，就像在教一个孩子学习复杂的技能一样，需要不断地给它反馈和调整。这个过程被称为强化学习，它帮助AI模型变得更聪明，能够进行更深入的推理。然而，就像教育孩子时需要掌握好奖惩的分寸一样，AI的训练过程也经常遇到"管教过严"或"放任自流"的问题，导致学习效果不佳。

来自阿里巴巴集团Qwen团队的研究人员高畅、郑楚杰、陈雄辉、党凯、刘世轩、俞博文、杨安、白帅、周靖人和林俊阳，在2025年11月发表了一项重要研究成果。这项研究提出了一种名为"软自适应策略优化"(Soft Adaptive Policy Optimization, SAPO)的新方法，发表在arXiv预印本平台，编号为arXiv:2511.20347v1。有兴趣深入了解的读者可以通过该编号查询完整论文。

以往的AI训练方法就像用一把粗糙的锤子来雕刻精美的艺术品，要么完全保留某个训练信号，要么完全丢弃它，这种"非黑即白"的处理方式经常让训练过程变得不稳定。特别是在那些拥有专家混合架构的复杂模型中，不同部分的学习进度差异很大，这种简单粗暴的方法更容易导致训练"抽风"——有时学得太快，有时又完全停滞不前。

研究团队发现，传统的硬截断方法就像一个严厉的老师，只会说"对"或"错"，没有任何中间状态。当学生的答案稍有偏差时，就完全否定整个答案，这样不仅浪费了有用的学习信号，还可能让学生失去学习的动力。而SAPO算法则像一位有经验的导师，会根据学生答案的偏差程度给予不同程度的指导，既不会完全否定，也不会盲目肯定。

更有趣的是，研究团队发现了一个重要现象：在AI学习过程中，"鼓励性反馈"和"纠错性反馈"对模型稳定性的影响是不同的。就像在现实教育中，过度的批评比过度的表扬更容易让学生产生逆反心理一样，AI模型在接收纠错信号时也更容易变得不稳定。因此，SAPO算法采用了一种"非对称温度控制"的策略，对纠错性反馈使用更强的衰减效果，确保模型在学习过程中保持稳定。

一、温柔渐变替代粗暴截断：SAPO的核心创新

传统的AI训练方法在处理"偏离正轨"的学习信号时，采用的是一种非常简单粗暴的方式。想象一下，你在学习开车时，教练只会在你的操作完全正确时给予指导，一旦你的方向盘稍微偏离标准角度，教练就完全保持沉默，不给任何反馈。这种教学方式显然是有问题的，因为它浪费了大量有价值的学习机会。

SAPO算法的核心创新在于引入了一个"温度控制的软门控机制"。这个机制就像一个有着渐变调光功能的台灯，而不是只有开关两个状态的普通灯泡。当AI模型的学习信号接近理想状态时，这盏"台灯"会保持明亮，让模型充分利用这些有价值的信息。随着学习信号逐渐偏离理想状态，"台灯"会平滑地调暗，但不会完全关闭，这样模型仍然可以从中获取一些有用的学习信号。

这种设计的巧妙之处在于创建了一个连续的"信任区域"。在这个区域内，越接近中心（即理想的学习状态），模型获得的指导就越强烈。即使偏离了中心，模型仍然可以获得逐渐减弱但仍有意义的指导信号。这样既避免了过度信任偏离目标的学习信号，又不会完全浪费这些信号中的有用信息。

研究团队在设计这个软门控机制时，选择了sigmoid函数作为基础。这个函数的特点是在中心点附近变化平缓，而在远离中心时快速衰减，形成一个类似钟形的曲线。通过调节"温度"参数，可以控制这个曲线的陡峭程度：温度越高，衰减越快，对偏离信号的容忍度越低；温度越低，衰减越慢，更愿意保留稍微偏离的学习信号。

二、非对称温度设计：区别对待奖励与惩罚

在现实教育中，我们都知道表扬和批评对学习者的影响是不同的。适度的表扬能够激励学习者继续努力，而过度的批评则可能打击学习者的自信心，甚至产生逆反心理。SAPO算法的设计者发现，在AI训练中也存在类似的现象。

当AI模型收到"正面反馈"（相当于表扬）时，这种反馈主要影响的是模型对特定正确答案的偏好程度。比如在回答数学问题时，正面反馈会增强模型对正确答案的偏好，同时相应地降低对其他答案的偏好。这个过程相对来说比较稳定，不太容易引起训练的波动。

然而，当模型收到"负面反馈"（相当于纠错）时，情况就复杂得多了。负面反馈会同时提升许多"替代答案"的权重，这就像在一个巨大的词汇表中同时调整成千上万个词的重要性。在语言模型中，词汇表往往包含几十万个词汇，而在任何给定的上下文中，真正合适的词汇选择通常只有很少几个。因此，负面反馈的扩散效应会影响大量不相关的词汇，增加了训练的不稳定性。

基于这个观察，SAPO算法采用了非对称的温度设计。对于正面反馈，算法使用较低的温度值（τpos），让模型能够较充分地利用这些相对稳定的学习信号。对于负面反馈，算法使用较高的温度值（τneg），让这些容易引起波动的信号衰减得更快，从而减少它们对训练稳定性的负面影响。

这种设计就像一个经验丰富的老师，在给学生反馈时会根据反馈的性质调整自己的语气和强度。对于学生做得好的地方，老师会给予充分的肯定和鼓励；对于学生的错误，老师会指出问题但不会过分强调，避免打击学生的学习积极性。

三、序列连贯与词汇自适应：两全其美的设计

在AI语言模型的训练中，存在一个有趣的权衡：是应该把每个词都单独考虑，还是应该把整个句子作为一个整体来评判？这就像在评判一篇作文时，是逐字逐句地打分，还是从整体印象出发给出评价。两种方法各有优劣：逐词评判更精确但可能过于苛刻，整体评判更宽容但可能忽略细节问题。

SAPO算法巧妙地结合了这两种方法的优点。在大多数正常情况下，当一个句子中的各个词汇都表现相对一致时，SAPO实际上会表现得像一个整体评判系统。这是因为在数学上，当各个词汇的学习信号差异不大时，对每个词汇应用软门控机制的平均效果，会收敛到对整个句子应用一个统一门控的效果。

但是，当一个句子中出现个别"问题词汇"时，SAPO会自动切换到更精细的逐词处理模式。比如，在一个主要部分都很合理的数学解题过程中，如果某几个步骤出现了明显错误，SAPO会选择性地减少这些错误步骤的学习权重，同时保留那些正确步骤的学习价值。

这种设计解决了传统方法的一个重要问题。在以往的整体评判系统中，如果一个句子中有少数几个问题词汇，整个句子的学习价值就会被完全否定，这显然是浪费的。而在传统的逐词评判系统中，每个词汇都被孤立地对待，缺乏对句子整体连贯性的考虑。SAPO通过其自适应机制，能够在保持句子连贯性的同时，对个别问题词汇进行精准调控。

研究团队通过理论分析证明了这种自适应行为的数学基础。他们发现，在两个常见的条件下——即训练步骤相对较小且句子内部词汇表现差异不大时——SAPO的词汇级别门控会自然地收敛到句子级别的门控。这意味着SAPO在正常情况下能够保持句子的整体连贯性，只有在遇到异常情况时才会启动精细化的词汇级别调控。

四、实证验证：理论照进现实

为了验证SAPO算法的有效性，研究团队设计了大量的实验来测试其在真实场景中的表现。这些实验就像给新发明的教学方法做实际课堂测试，看看它在真实的教学环境中是否真的比传统方法更有效。

首先，研究团队验证了他们理论分析的两个关键假设在实际应用中是否成立。第一个假设是"小步长假设"，即在训练过程中，模型的参数变化相对较小。第二个假设是"低序列内离散度假设"，即在同一个句子中，不同词汇的学习信号差异不会太大。

通过对超过10万个训练序列和10亿个词汇的统计分析，研究团队发现这两个假设在大多数实际情况下都是成立的。词汇级别的重要性比率高度集中在1附近，表明训练过程确实是小步长的。同时，句子内部的词汇变化方差通常保持在0.02以下，特别是在密集型模型中，这个值甚至更小。这些数据有力地支持了SAPO算法的理论基础。

有趣的是，实验还发现在专家混合(MoE)模型中，由于不同专家模块的路由机制带来的异质性，词汇变化的分散度相对较高。但即使在这种更具挑战性的情况下，SAPO算法仍然表现出了良好的适应性和稳定性。

在数学推理任务的对比实验中，SAPO算法展现出了显著的优势。研究团队使用了一个基于Qwen3-30B-A3B-base的冷启动模型，在AIME25、HMMT25和BeyondAIME等具有挑战性的数学竞赛题目上进行训练和测试。结果显示，虽然传统的GSPO和GRPO-R2方法在训练初期就出现了不稳定和性能下降，但SAPO算法始终保持了稳定的学习曲线，并最终达到了更高的准确率。

更重要的是，SAPO算法不需要依赖额外的稳定技巧（如路由回放）就能保持训练稳定性。这意味着使用SAPO的系统更简单、更可靠，也更容易在实际应用中部署和维护。

五、温度参数的精细调节：细节决定成败

温度参数的选择对SAPO算法的性能有着决定性的影响，就像烹饪时火候的掌控对菜品质量的重要性一样。研究团队通过精心设计的对比实验，详细研究了不同温度设置对训练效果的影响。

在一系列控制实验中，研究团队测试了三种不同的温度配置：τneg > τpos（负面反馈温度高于正面反馈温度）、τneg = τpos（两者相等），以及τneg < τpos（负面反馈温度低于正面反馈温度）。结果非常明显地支持了非对称设计的必要性。

当使用τneg = 1.05 > τpos = 1.0的配置时，训练过程表现出最佳的稳定性和最高的最终性能。这种设置让模型在处理负面反馈时更加谨慎，避免了因为过度反应而导致的训练波动。相比之下，当两个温度参数相等时，虽然训练仍然相对稳定，但性能有所下降。

最有说服力的是第三种配置的结果。当τneg = 0.95 < τpos = 1.0时，即对负面反馈给予比正面反馈更多的重视时，训练很快就变得不稳定，甚至出现了明显的性能崩溃。这个结果强有力地验证了研究团队关于负面反馈更容易引起训练不稳定的理论分析。

这种非对称设计的成功，揭示了一个更深层的道理：在复杂系统的优化过程中，不同类型的反馈信号需要采用不同的处理策略。这个发现不仅对AI模型训练有指导意义，也可能对其他需要平衡多种反馈信号的复杂系统设计提供启示。

六、大规模应用验证：从实验室到现实世界

理论再完美，如果不能在真实的大规模应用中展现出价值，那也只是纸上谈兵。研究团队将SAPO算法应用到了Qwen3-VL模型系列的训练中，这是一个涵盖文本和多模态任务的大规模AI系统，为算法在实际产品中的效果提供了有力的验证。

在Qwen3-VL的训练中，研究团队面对了比实验室环境复杂得多的挑战。这个系统需要同时处理数学推理、编程、逻辑推理等多种不同类型的任务，每种任务都有其独特的特点和要求。为了确保多任务学习的有效性，研究团队在每个训练批次中维持了固定的任务采样比例，并使用了大批量训练策略，将每个大批量分割为两个小批量进行梯度更新。

实验结果显示，SAPO算法在这个复杂的多任务环境中表现出了卓越的适应性。在与传统的GSPO和GRPO-R2方法的直接对比中，SAPO不仅在训练过程中展现出更好的稳定性，还在多个评测基准上取得了更高的性能分数。

特别值得注意的是，SAPO在不同规模和架构的模型上都表现出了一致的改进效果。无论是参数量较小的密集型模型，还是参数量庞大的专家混合模型，SAPO都能够提供稳定可靠的训练效果。这种一致性表明，SAPO算法具有良好的可扩展性和泛化能力，能够适应不同的应用场景和模型架构。

在实际部署过程中，SAPO算法还展现出了工程友好的特点。由于它不需要依赖复杂的辅助技术来维持稳定性，系统的整体复杂度得到了降低，这对于大规模生产环境的部署和维护来说是一个重要的优势。

七、深层理解：为什么软比硬更好

要真正理解SAPO算法的价值，我们需要深入思考为什么"软"的方法比"硬"的方法更有效。这不仅仅是一个技术问题，更涉及到对学习和优化过程本质的理解。

传统的硬截断方法本质上是一种二元决策机制：要么完全信任一个学习信号，要么完全抛弃它。这种方法的问题在于，它忽略了现实世界的复杂性和灰度性。在真实的学习场景中，很少有绝对正确或绝对错误的情况，大多数时候我们面对的是程度不同的偏差。

SAPO的软门控机制更好地反映了这种现实的复杂性。它认识到，即使是偏离理想状态的学习信号，也可能包含有价值的信息。关键在于如何恰当地权衡这些信息的价值，既不过度信任，也不完全忽视。

这种软处理方法的另一个重要优势是保持了优化过程的连续性。硬截断会在优化轨迹中创造突然的断裂点，这些断裂点往往是不稳定性的源头。相比之下，软门控创造了平滑的过渡，让优化过程更加自然和稳定。

从信息论的角度来看，软门控还有助于保持更多的信息内容。硬截断会完全丢失某些信息，而软门控只是降低了这些信息的权重，在需要的时候仍然可以发挥作用。这种信息的保留对于复杂任务的学习特别重要，因为今天看似不相关的信息，可能在未来的学习过程中变得有价值。

八、技术细节：数学之美在算法中的体现

虽然我们一直在用通俗的语言描述SAPO算法，但其背后的数学原理同样精巧优美。研究团队选择sigmoid函数作为软门控的基础并非偶然，而是经过深思熟虑的设计。

Sigmoid函数具有几个理想的性质。首先，它在中心点（对应于理想的学习状态）附近相对平坦，这意味着小的偏差不会导致剧烈的权重变化，保证了训练的稳定性。其次，随着偏离程度的增加，函数值下降得越来越快，有效地抑制了极端偏差的影响。最后，sigmoid函数的值域被限制在0到1之间，这为权重的解释提供了直观的含义。

温度参数的引入进一步增强了这个机制的灵活性。通过调节温度，可以控制sigmoid函数的陡峭程度，从而在保守和激进之间找到最佳的平衡点。较高的温度使函数更陡峭，对偏差的容忍度更低；较低的温度使函数更平缓，更愿意保留稍有偏差的学习信号。

非对称温度设计的数学基础来自对梯度传播机制的深入分析。研究团队发现，正面和负面的学习信号在词汇级别的传播模式存在根本差异。正面信号主要影响被选中的词汇，而负面信号会同时影响大量未被选中的词汇。这种差异在数学上表现为不同的方差特性，因此需要采用不同的温度参数来进行最优化处理。

九、未来影响：开启AI训练的新时代

SAPO算法的意义远远超出了一个技术改进的范畴，它可能预示着AI训练领域的一个重要发展方向。随着AI模型变得越来越大、越来越复杂，训练的稳定性和效率成为了制约进步的关键瓶颈。SAPO提供的软优化思路，为解决这些挑战开辟了新的可能性。

在实际应用中，SAPO算法已经在阿里巴巴的Qwen3-VL系列模型中得到了成功应用，这证明了它不仅在理论上有价值，在工程实践中也具有良好的可行性。随着这一成果的公开发布，我们可以期待更多的研究团队和公司会采用类似的软优化策略，从而推动整个行业的技术进步。

从更宏观的角度来看，SAPO算法体现了一种更加人性化的AI训练理念。它不再把训练过程看作是一个冷冰冰的机械优化过程，而是更像一个需要耐心和智慧的教育过程。这种理念的转变，可能会影响未来AI系统的设计思路，让AI的学习过程更加自然、高效和稳定。

对于从事AI相关工作的专业人员来说，SAPO算法提供了一个值得深入研究和借鉴的案例。它展示了如何通过深入理解问题的本质，设计出既优雅又实用的解决方案。这种研究方法和思维方式，对于解决AI领域的其他挑战也具有重要的启发意义。

说到底，SAPO算法的成功证明了一个简单而深刻的道理：在处理复杂问题时，温和而精准的方法往往比简单粗暴的方法更加有效。这个道理不仅适用于AI训练，也适用于我们日常生活中的许多场景。正如一位经验丰富的老师知道如何恰到好处地给予学生指导一样，SAPO算法也学会了如何恰到好处地处理各种学习信号，既不过分纵容，也不过分严厉，而是在两者之间找到了最佳的平衡点。

随着AI技术的不断发展，我们可以期待看到更多类似SAPO这样充满智慧的算法创新，它们将帮助AI系统变得更加智能、稳定和可靠，最终更好地为人类社会服务。对于那些对这项研究感兴趣的读者，可以通过arXiv:2511.20347v1查询完整的技术论文，深入了解这一创新算法的技术细节。

Q&A

Q1：SAPO算法和传统的AI训练方法有什么区别？

A：传统方法像严厉老师只会说"对"或"错"，对稍有偏差的学习信号要么完全接受要么完全抛弃。SAPO算法则像经验丰富的导师，会根据偏差程度给予不同强度的指导，用温度控制的软门控机制替代硬截断，让训练过程更平滑稳定。

Q2：为什么SAPO算法要对正面反馈和负面反馈使用不同的温度参数？

A：就像教育中表扬和批评的影响不同，AI训练中正面反馈相对稳定，主要影响特定正确答案；而负面反馈会同时影响词汇表中成千上万个词，容易引起训练波动。因此SAPO对负面反馈使用更高温度，让这些信号衰减更快，保持训练稳定。

Q3：SAPO算法在实际应用中表现如何？

A：SAPO已成功应用于阿里巴巴Qwen3-VL模型系列训练中，在数学推理、编程、逻辑推理等多任务场景下都表现出色。相比传统GSPO和GRPO方法，SAPO不仅训练更稳定，最终性能也更高，且无需额外的稳定技巧就能保持良好效果。