强化微调是目前模型训练非常重要的功能之一，它本身的实现是多种多样的，SWIFT目前已经支持了强化微调所需要的原子能力，如采样、强化学习和微调。目前我们提供了拒绝采样微调的一个具体示例，可以查看这里。
强化微调是从2022年开始（甚至更早）就被提出的概念。其方式一般有下列流程：
- 使用某个模型生成数据，或进行原始数据扩充
- 使用数据训练目标模型
- 如果有必要，重复上述过程
步骤1：
- 如果生成数据的模型是更大的模型，如GPT、Qwen-Max、DeepSeek-V3/R1等，则该强化微调可以理解为蒸馏
- 如果生成数据的模型是本模型，则可以理解为自我提升（self-improvement）微调
- 如果采样过程是采样一个batch，然后通过KL散度和reward进行拟合训练并不断循环，则可以理解为PPO、GRPO等on-policy算法
- 采样数据的算法包含蒙特卡洛采样、do_sample采样、group beam search、dvts等
- 采样过程可以引入ORM（结果判断），PRM（过程打分），多样性过滤，语种过滤等
步骤2：
- 如果使用SFT，则称为拒绝采样微调
- 如果是强化学习，则称为强化学习微调
步骤3：
- 如果使用更大的模型蒸馏，例如更大模型的蒙特卡洛采样蒸馏，一般不会有循环
- 如果使用本模型进行采样，或者PPO等算法，则会有循环
泛泛来说，常见强化微调的方式有下面几种：
- 蒸馏：使用蒙特卡洛、do_sample等方式从超大模型中采样大量优质数据，训练小模型
- 自我提升：从本模型中采样部分优质数据，筛选后训练本模型，循环执行
- on-policy RL：使用PPO、GRPO等方式循环训练
采样过程一般很漫长，比训练过程漫长的多。如果使用GPT等模型蒸馏数据，则需要购买token。因此，强化微调的时间成本和花费成本比较高，所以一般作为微调的补充机制出现，当然也有特例，例如最近的DeepSeek-R1。
DeepSeek-R1使用了GRPO算法从零使base模型涌现CoT能力，该方法需要大规模集群支持，且模型需要足够大才能发生能力涌现，在本文中不详细讨论。如果需要了解该过程，请查看论文解析。
有关强化微调的一些论文：
- 拒绝采样微调：https://arxiv.org/pdf/2308.01825
- ReST：https://arxiv.org/pdf/2308.08998
- B-STAR：https://arxiv.org/pdf/2412.17256
- DeepSeekMath：https://arxiv.org/pdf/2402.03300
- Qwen-math-PRM：https://arxiv.org/pdf/2501.07301
- DeepSeek-R1：https://github.com/deepseek-ai/DeepSeek-R1/tree/main
在LLaMA3之后，我们发现一个非常明显但却是不常被提及的特点：使用某个含有CoT的train数据集训练Instruct模型，再通过对应的test集进行评测，会发现test集评测效果变差。例如，使用gsm8k训练集训练llama3.1-8b-instruct，对生成的ckpt使用test集进行评测，会发现掉点。
这个特性主要来源于模型的知识遗忘问题。在模型厂商的微调中，会加入非常多的CoT数据集，模型在解决数学任务的时候，用到的能力很有可能不是来自于math数据集，而是来自arc数据集，这个推论有一些工作可以证明。在继续训练通用任务后，知识遗忘破坏了模型原有能力，导致了掉点。
然而，优先使用微调方式训练模型总是正确的。微调可以使模型快速适应数据集的分布，并且微调的成本很低。当有如下条件之一时使用强化微调：
- 已经微调过模型，能力不满足需求
- 需要更强的CoT能力
- 对基模型训练通用能力，而原始数据集已经导致模型效果无法提升
- 对应query的输出结果可以相对准确地评估好坏，例如结果清晰（数学，代码），过程清晰（翻译，风格）等
强化微调非常依赖于reward评估是否准确。如果评估结果不准确，可能导致模型训练原地震荡，甚至越训越差。
SWIFT支持sample命令，该命令就是用于模型采样。目前支持的采样方式有：
-
do_sample：sample方式对模型进行采样，该方式支持对开源模型进行采样，后续会支持模型蒸馏
- sample方式后续会支持URL采样，用于大模型蒸馏
-
mcts：蒙特卡洛采样，该方式在PR中，后续会支持
-
dvts：调研中
目前我们给出了一个较为通用的RFT脚本。该脚本适用于自我提升方式的训练，且支持动态调整采样温度值、PRM阈值等超参数，并且训练方式灵活可变（微调、DPO等；或者每次迭代重新训练原模型或继续训练上个迭代的模型，甚至加载上个迭代的所有训练状态等）。开发者可以在该脚本中增加其他数据过滤（生成的数据集中，id相同的行来自同一个query），例如多样性判断、语种判断等。
我们对该RFT脚本针对数学领域使用competition_math数据集进行了训练和评测，结果如下：
| 模型 | MATH指标 | 训练方式 | 迭代次数 | 训练后MATH指标 |
|---|---|---|---|---|
| LLaMA3.1_8b | 12.0 | SFT | 3 | 25.2(LLaMA3.1_8b_sft) |
| LLaMA3.1_8b_sft | 25.2 | RFT | 2 | 32.4 |
| LLaMA3.1_8b_instruct | 52.2 | SFT | 2 | 39.0 |
| LLaMA3.1_8b_instruct | 52.2 | RFT | 3 | 58 |
| Qwen2.5_math_7b_instruct | 79.6 | RFT | 2 | 83.2 |
可以看到，使用competition_math直接SFT后，instruct模型的掉点十分严重。而RFT后模型能力有提升，即使对Qwen2.5_math_7b_instruct这个SOTA的math模型也同样有一定提升空间。
特别地，针对Qwen2.5_math_7b_instruct我们测试了gsm8k的指标：
| 模型 | gsm8k指标 | RFT后gsm8k指标 |
|---|---|---|
| Qwen2.5_math_7b_instruct | 92.8 | 91.6 |
可以看到，RFT训练后gsm8k指标变化不大，并没有出现前述的掉点现象。
- 更多的采样方式，如MCTS
- 超大模型蒸馏训练
- 以PPO为主的on-policy训练