Meta用40万个GPU小时做了一个实验，只为弄清强化学习Scaling Law

在 LLM 领域，扩大强化学习算力规模正在成为一个关键的研究范式。但要想弄清楚 RL 的 Scaling Law 具体是什么样子，还有几个关键问题悬而未决：如何 scale？scale 什么是有价值的？RL 真的能如预期般 scale 吗？

为了解答这些问题，来自 Meta 等机构的研究者做了一个看起来耗资不菲的实验：用 40 万 GPU 小时跑出了一张 RL 训练「说明书」，让强化学习后训练不再像碰运气，让训练效果变得可预测。

作者提到，近期的 RL 进展，大多来自对特定算法的孤立研究或个别模型的训练报告 —— 这些研究往往给出针对具体任务的解决方案，但并没有提供一套可随算力扩展的通用方法。由于缺乏系统化的 scaling 理论，研究进展被严重限制：由于没有可靠的方法先验地识别有前景的强化学习候选方案，科研者只能依赖高昂的大规模实验，这让绝大多数学术团队无法参与其中。

这项研究旨在奠定 RL scaling 的科学基础，借鉴预训练阶段中早已成熟的「Scaling Law」概念。预训练领域已经发展出能够随算力稳定扩展的算法范式，但 RL 领域尚无明确标准。因此，RL 研究者面临大量设计抉择，却难以回答「应该如何 scale」与「扩展什么」这两个最基本的问题。

• 论文标题：The Art of Scaling Reinforcement Learning Compute for LLMs
• 论文链接：https://arxiv.org/pdf/2510.13786

为了解决这一问题，作者提出了一个预测性框架，用以刻画 RL 性能与算力之间的关系，如公式（1）所示：

具体而言，他们用一种类 sigmoid 的饱和曲线，将在独立同分布验证集上的期望奖励（R_C）与训练算力（C）联系起来。曲线中的参数 A 表示渐近性能上限，B 表示算力效率，C_mid 则决定性能曲线的中点。图 3 对这些参数进行了示意性解释。

公式（1）中的框架使研究者能够根据小规模实验结果推测更大算力下的表现，从而在不耗尽算力预算的前提下评估 RL 方法的可扩展性。

基于该框架，作者设计了 ScaleRL —— 一种能够随算力可预测地 scale 的 RL 训练配方。在一项耗时 10 万 GPU 小时的大规模实验中，他们验证了 ScaleRL 的表现与该框架预测的曲线高度一致（图 1）。更重要的是，即便只利用训练初期的数据所外推的曲线，也能准确预测最终性能，证明了该框架在极大算力下的预测能力。

ScaleRL 的设计建立在一项覆盖超过 40 万 GPU 小时的系统化实证研究之上（在 Nvidia GB200 GPU 上进行）。该研究在 8B 参数规模的模型上探索了多种设计选择，每次实验使用约 1.6 万 GPU 小时，比最大规模实验便宜约 6 倍。这项研究总结出三条关键原则：

• RL 性能上限并非普适：不同方法在算力扩展时会遇到不同的性能天花板（A 值），而这个上限可通过损失函数类型、batch size 等设计选择进行调整。
• 拥抱「苦涩的教训」：在小算力下表现出色的方法，放大到大规模算力时可能效果更差（如图 2 所示）。通过在训练早期使用公式（1）中的框架估计参数 A 与 B，可以提前识别真正具有可扩展性的方法。
• 重新审视常见经验：许多被认为能提高峰值性能的技巧（如损失聚合、数据课程、长度惩罚、优势归一化）主要影响的是算力效率（B），而非最终性能上限。

基于这些洞察，ScaleRL 并未引入新的算法，而是整合了现有的成熟方法以实现可预测的扩展。具体而言，它结合了异步的 Pipeline-RL 结构、生成长度中断机制、截断重要性采样 RL 损失（CISPO）、基于提示的损失平均、batch 级优势归一化、FP32 精度的 logits、零方差过滤以及 No-Positive-Resampling 策略。每个组件的作用都通过「留一法」消融实验验证，每次实验耗时约 1.6 万 GPU 小时。

ScaleRL 不仅能够稳定扩展，还在性能与效率上都超过了现有 RL 配方。更进一步，当作者在多个训练维度上（如 2.5 倍的 batch size、更长的生成长度、多任务 RL 以及更大的混合专家模型）增加算力时，ScaleRL 仍保持预测一致性，并能持续提升下游任务表现。总体而言，这项工作建立了一种严谨的、可量化的方法论，使研究者能够以成本更可控的方式预测新的 RL 算法的可扩展性。

这篇论文是首个关于 LLM 强化学习扩展的开源、大规模系统性研究，其内容非常翔实，结论也足够有参考价值，因此受到了 Ai2 科学家 Nathan Lambert 等人的强烈推荐。

以下是论文的详细内容。

一个关于 RL Scaling 的全面实验

作者使用一个 8B 稠密模型在可验证的数学问题上进行强化学习实验。他们从可预测的计算规模扩展行为角度研究了几个设计维度，即渐近性能（A）和计算效率（B），如图 3 所示。

异步强化学习设置

作者首先研究异步的 off-policy RL 训练结构，因为它决定了训练的稳定性与算力效率，并且通常独立于其他设计选择。具体来说，作者比较了两种 off-policy 学习方式：PPO-off-policy-k 和 PipelineRL-k。

如图 4a 所示，PipelineRL 与 PPO-off-policy 在最终的性能上限 (A) 相近，但 PipelineRL 显著提升了算力效率 (B)，也就是说，它能更快地达到性能天花板 A。这是因为 PipelineRL 减少了训练过程中 GPU 的空闲时间。该结构能以更少的 token 实现稳定增益，从而在有限算力预算下完成更大规模的实验。作者还改变了 PipelineRL 的最大 off-policyness 参数 k，发现 k = 8 时性能最佳（如图 4b 所示），因此后续实验采用 PipelineRL-8 作为基础设置。

算法设计选择

在前述结果的基础上，作者将 PipelineRL-8 设为新的基线方法，并进一步研究了六个算法设计维度：

• 损失函数类型
• 精度修正
• 损失聚合方式
• 优势归一化
• batch 定义方式
• 数据课程策略

损失函数类型

图 5a 表明，GSPO 和 CISPO 的表现都显著优于 DAPO，在最终通过率 A 上有大幅提升。CISPO 在训练过程中展现出更长时间的线性回报增长趋势，并在后期略优于 GSPO，因此作者选择 CISPO 作为 ScaleRL 的最佳损失类型。

LLM Logits 的 FP32 精度

如图 5b 所示，在 logits 层采用精度修正能显著提高最终性能 A，从 0.52 提升至 0.61。鉴于这一明显收益，作者在 ScaleRL 配方中加入 FP32 精度修正。

损失聚合方式

作者比较了不同的损失聚合策略，结果显示 prompt-average 达到了最高的最终性能（图 14a），因此 ScaleRL 采用此方式作为默认选项。

优势归一化

作者比较了三种优势归一化策略：提示级（prompt-level）、batch 级（batch-level）、 无归一化。

图 14b 的结果显示，三者性能相近，但 batch 级归一化在理论上更合理，且略优于其他选项；在后续更大规模的 leave-one-out 实验中，这一选择也得到了进一步验证。

零方差过滤（Zero-Variance Filtering）

图 6a 中的结果表明，使用「有效 batch」（即过滤掉奖励方差为零的样本）可以获得更好的最终性能，因此作者在 ScaleRL 中采用该策略。

自适应提示过滤

为提高采样效率，已有多种数据课程策略被提出。作者评估了一种简单的变体，其核心观察是：当某个提示对当前策略来说变得过于容易后，它通常会一直保持容易。 此类提示虽然仍消耗算力，却不再提供有价值的梯度信号，因此最好从后续训练中剔除。

作者的实现方式是：维护每个提示的历史通过率，一旦某提示的通过率 ≥ 0.9 ，就在之后的训练周期中永久移除它 —— 他们称这种策略为 No-Positive-Resampling。 图 6b 显示，与传统的「所有提示均匀重采样」做法相比，这种课程策略能显著提升 RL 的可扩展性与最终回报 A。

接下来，他们将这些最优选择整合为一个统一的 RL 配方，称为 ScaleRL（可扩展强化学习），并在 16,000 GPU 小时规模上进行了留一法消融实验。

ScaleRL：让强化学习算力高效且可预测地扩展

基于前面各项设计轴的研究结果，作者将性能最优的配置整合成一个统一配方，称为 ScaleRL（Scale-able RL）。

ScaleRL 是一种异步强化学习方案，核心特征包括：

• 使用 PipelineRL 结构，设置 8 步的 off-policyness；
• 采用基于中断的长度控制策略来实现序列截断；
• 在 logits 计算中使用 FP32 精度；
• 优化 J_ScaleRL (θ) 损失函数。

该损失函数综合了以下关键设计：

• 提示级损失聚合
• batch 级优势归一化
• 截断重要性采样的 REINFORCE 损失（CISPO）
• 零方差过滤
• no-positive resampling

为了验证上述设计在组合后的有效性，作者进行了留一法（LOO）实验。实验结果（如图 7 所示，规模均为 16,000 GPU 小时）显示：在所有设计轴上，ScaleRL 一直是最优配置，无论在最终回报还是算力效率上，都略优于任何单项被移除的变体。

RL 在不同算力维度下的可预测回报

在固定或增长的算力预算下，哪一个扩展维度 —— 上下文长度、批大小、每个提示的生成数或模型规模 —— 能带来最可靠的性能提升？ 并且，我们能多早预测到这种回报？

作者通过以下步骤回答这一问题：

• 在训练早期（精确来说，使用目标算力预算的一半）为每个设定拟合公式 (1) 中的饱和幂律曲线；
• 将该曲线外推至目标算力预算；
• 继续训练以验证预测结果。

在所有下述扩展轴上，他们都观察到干净、可预测的曲线拟合，其外推结果与延长训练后的真实轨迹高度吻合 —— 与作者在 100,000 GPU 小时训练（图 1）及不同 RL 配方间的交叉对比实验（图 2）中观察到的行为一致。

模型规模（MoE）

ScaleRL 在更大模型上是否仍保持可预测性与稳定性？

当作者使用 ScaleRL 训练 17B×16 Llama-4 Scout  MoE 模型时，结果显示它与 8B 模型一样，展现出可预测的扩展行为：具有较低的截断率（truncation rate）且无训练不稳定问题。

图 1 展示了其训练曲线，延长训练得到的额外数据点与早期拟合曲线对齐，说明 ScaleRL 的配方在模型规模上具备尺度不变性（model-scale invariance）。此外，17B×16 的 MoE 大模型表现出远高于 8B 稠密模型的 RL 最终性能（asymptotic performance），并且仅使用了后者 1/6 的 RL 训练算力。

生成长度

将生成长度从 14k token 增加至 32k token 会在训练初期放慢进展（即表现为较小的 B 和更高的 C_mid），但最终提升拟合曲线的上限 A， 从而在提供足够算力后获得更高的最终性能（见图 9）。

这验证了长上下文强化学习是一种「提升性能天花板」的手段，而不仅仅是效率上的权衡。

从早期训练拟合得到的外推曲线能够准确预测 32k-token 训练在延长阶段的表现。

全局批大小

作者观察到，小批次训练在下游任务上会过早停滞，即便其在分布内验证集上的性能仍在上升。相反，较大的批次 能够稳定地提高性能上限 A，并避免这种停滞。图 10a 展示了中等规模实验中的相同趋势：在训练初期，小批次似乎表现更好，但随着算力增加，大批次最终会超越。

在本文最大规模的数学任务（见图 1）中，将 batch size 提升至 2048 个 prompt 后，不仅稳定了训练，还使得从 50k GPU 小时拟合的曲线能够准确外推到最终 100k 小时的结果。

每个提示的生成次数

在固定总批量的前提下，是分配更多提示更好，还是每个提示分配更多生成次数更好？将每个提示的生成次数在 8、16、24、32 之间进行调整，并相应调整提示数量以保持总批量固定，结果显示拟合的缩放曲线基本没有变化。这说明在中等批量下，这种分配对性能上限（A）和效率（B）都是次要因素。作者推测，在更大批次（例如超过 2000）时，差异可能会更加明显 —— 这一方向留待未来研究。

更多细节请参见原论文。

文章来自于微信公众号 “机器之心”，作者 “机器之心”