投稿获客
  1. 创想鸟首页
  2. 用户投稿

如何优化测试时计算？解决「元强化学习」问题

程序猿 • • 用户投稿 • 阅读 0
优化大模型的测试时计算是提升模型部署效率和节省计算资源的关键一环。前段时间，黄仁勋在 CES 2025 的演讲中把测试时 Scaling 形容为大模型发展的三条曲线之一。如何优化测试时计算成为业界关注的重要课题。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

图片

到目前为止，改进大型语言模型 (LLM) 的主要策略是使用越来越多的高质量数据进行监督微调 (SFT) 或强化学习 (RL)。
不幸的是，这种扩展形式似乎很快就会遇到瓶颈，预训练的扩展定律会趋于稳定，有报告称，用于训练的高质量文本数据可能在 2028 年耗尽，特别是对于更困难的任务，例如解决推理问题，这似乎需要将当前数据扩展约 100 倍才能看到任何显著的改进。LLM 在这些困难任务中的问题上的当前表现仍然不尽如人意。因此，迫切需要数据高效的方法来训练 LLM，这些方法可以超越数据扩展并解决更复杂的挑战。
在这篇文章中，我们将讨论这样一种方法：通过改变 LLM 训练目标，我们可以重用现有数据以及更多的测试时计算来训练模型以做得更好。
图片
博客地址：https://blog.ml.cmu.edu/2025/01/08/optimizing-llm-test-time-compute-involves-solving-a-meta-rl-problem/
图片
                            图 1：训练模型以优化测试时计算并学习「如何发现」正确答案，而不是学习输出「什么答案」的传统学习范式。
当前训练模型的主要原则是监督它们为输入产生特定的输出。例如，监督微调尝试匹配给定输入的直接输出 token，类似于模仿学习，而 RL 微调训练响应以优化奖励函数，该函数通常应该在 oracle 响应上取最高值。无论哪种情况，我们都在训练模型以产生它可以表示的 y* 的最佳近似值。
从抽象上讲，这种范式训练模型以产生单个输入输出映射，当目标是直接解决给定分布中的一组类似查询时，这种方法很有效，但无法发现分布外查询的解决方案。固定的、一刀切的方法无法有效适应任务的异质性。我们更希望有一个强大的模型，它能够通过尝试多种方法并在不同程度上寻求信息，或者在无法完全解决问题时表达不确定性，从而推广到新的、未见过的问题。
我们如何训练模型来满足这些要求？
学习「如何回答」
为了解决上述问题，一个新想法是允许模型在测试时使用计算资源来寻找「元（meta）」策略或算法，这些策略或算法可以帮助它们理解「如何」得出一个好的答案。
实现能够赋予模型系统性程序运行能力的元策略，应该能够使其在测试时外推和泛化到不同复杂度的输入查询。例如，如果一个模型被教了柯西 – 施瓦茨不等式的含义，它就应该能够在简单和困难的证明问题上在适当的时候运用它。换句话说，给定一个测试查询，我们希望模型能够执行包含多个基本推理步骤的策略，这可能需要消耗更多的 token。
图 2 展示了解决一个给定问题的两种不同策略的例子。我们如何训练模型来做到这一点呢？我们将把这个目标形式化为一个学习问题，并通过元强化学习的思路来解决它。
图片
                                图 2:  展示了两种算法及其各自生成的 token 流示例。
将学习「如何做」形式化为一个目标
对于每个问题 x∈X，假设我们有一个奖励函数 r (x,⋅):Y↦{0,1}, 可以针对任何输出 token 流 y 进行查询。例如，对于数学推理问题 x，其 token 输出流为 y，奖励 r (x,y) 可以是检查某个 token 子序列是否包含正确答案的函数。我们只获得了训练问题数据集 D_train, 因此也只有奖励函数集合 {r (x,⋅):x∈D_train}。我们的目标是在事先未知的测试问题分布 P_test 上获得高奖励。测试问题的难度可能与训练问题不同。
对于未知的测试问题分布 P_test 和有限的测试时计算预算 C，我们可以从训练问题数据集 D_train 中学习一个算法 A∈A_C (D_train), 这个算法属于推理计算受限的测试时算法类 A_C。这个类中的每个算法都以问题 x∼P_test 作为输入，并输出一个 token 流。
在图 2 中，我们给出了一些例子来帮助理解这个 token 流可以是什么。例如，A_θ(x) 可能首先包含针对问题 x 的某些尝试 token，然后是一些用于预测尝试正确性的验证 token，如果验证为不正确，接着是对初始尝试的一些改进，所有这些都以「线性」方式串联在一起。另一个算法 A_θ(x) 可能是以线性方式模拟某种启发式引导搜索算法。算法类 A_C (D_train) 将由上述所有可能的 A_θ(x) 产生的下一个 token 分布组成。注意，在这些例子中，我们希望使用更多的 token 来学习一个通用但可泛化的程序，而不是去猜测问题 x 的解决方案。
我们的学习目标是学习由自回归大语言模型参数化的 A_θ(x)。我们将这整个流 (包括最终答案) 称为响应 y∼A_θ(x)。算法 A_θ(x) 的效用由奖励 r (x,y) 衡量的平均正确性给出。因此，我们可以将学习算法表述为解决以下优化问题：
图片
将 (Op-How) 解释为元强化学习问题
接下来的问题是：我们如何解决由语言模型参数化的、在计算受限算法类 A_c 上的优化问题 (Op-How)？
显然，我们既不知道测试问题的结果，也没有任何监督信息。因此，计算外部期望是徒劳的。对问题 x 猜测最佳可能响应的「标准」大语言模型策略似乎也不是最优的，因为如果充分利用计算预算 C，它可能会做得更好。
主要思路是优化 (Op-How) 的算法 A_θ(x)∈A_c，类似于强化学习中的自适应策略，它使用额外的 token 预算来实现某种算法策略来解决输入问题 x。有了这个联系，我们可以从类似问题通常的解决方式中获得启发：通过元学习的视角来看待 (Op-How)，具体来说是元强化学习：「元」是因为我们希望学习算法而不是直接回答给定问题，而「强化学习」是因为 (Op-How) 是一个奖励最大化问题。
一个非常简短的元强化学习入门
通常，强化学习训练一个策略来最大化马尔可夫决策过程 (MDP) 中的给定奖励函数。相比之下，元强化学习问题设定假设可以访问任务分布 (每个任务都有不同的奖励函数和动态特性)。在这种设定下，目标是在来自训练分布的任务上训练策略，使其能够在从相同或不同测试分布抽取的测试任务上表现良好。
此外，这种设定不是根据策略在测试任务上的零样本表现来评估它，而是让它通过在测试时执行几个「训练」回合来适应测试任务，在执行这些回合之后再评估策略。
回到我们的设定，你可能会想知道马尔可夫决策过程（MDP）和多个任务 (用于元强化学习) 是如何体现的。每个问题 x∈X 都会引发一个新的强化学习任务，这个任务被形式化为马尔可夫决策过程 (MDP) M_x，其中问题 x 中的 token 集合作为初始状态，我们的大语言模型 A_θ(x) 产生的每个 token 作为一个动作，而简单的确定性动态则通过将新的 token ∈T 与到目前为止的 token 序列连接来定义。注意，所有 MDP 共享动作集合和状态集合 图片 ，这些对应于词汇表中可能出现的变长 token 序列。然而，每个 MDP M_x 都有一个不同的未知奖励函数，由比较器 r (x,⋅) 给出。
那么解决 (Op-How) 就对应着找到一个策略，该策略能够在计算预算 C 内快速适应测试问题 (或测试状态) 的分布。从认知 POMDP 的视角来看这种测试时泛化的概念是另一种方式，这是一个将在 M_x 族上学习策略视为部分观察强化学习问题的构造。这个视角提供了另一种激发自适应策略和元强化学习需求的方式：对于那些有强化学习背景的人来说，解决 POMDP 等同于运行元强化学习这一点应该不足为奇。因此，通过解决元强化学习目标，我们正在寻求这个认知 POMDP 的最优策略并实现泛化。
适应性策略如何适应测试问题？
在元强化学习中，对于每个测试 MDP M_x，策略 A_θ 在通过 A_θ 生成最终响应进行评估之前，可以通过消耗测试时计算来获取信息。在元强化学习术语中，获得的关于测试 MDP M_x 的信息可以被视为在测试问题 x 引发的 MDP 上收集「训练」回合的奖励，然后再在测试回合上进行评估。注意，所有这些回合都是在模型部署后执行的。因此，为了解决 (Op-How)，我们可以将来自 A_θ(x) 的整个 token 流视为分成几个训练回合的流。为了优化测试时计算，我们需要确保每个回合都能提供一些信息增益，以便在测试 MDP M_x 的后续回合中表现更好。如果没有信息增益，那么学习 A_θ(x) 就退化为一个标准的强化学习问题 —— 只是计算预算更高 —— 这样就不清楚学习「如何做」是否有用。
可以获得什么样的信息？当然，如果 token 流中涉及外部接口，我们可以获得更多信息。但是，如果不涉及外部工具，我们是否在利用免费午餐？我们指出不是这种情况，在 token 流进行过程中不需要涉及外部工具也能获得信息。流中的每个回合都可以有意义地增加更多信息，也就是说，我们可以将消耗更多的测试时计算视为从模型对最优解的后验近似 P (⋅|x,θ) 中采样的一种方式，其中每个回合 (或输出流中的 token) 都在改进这个近似。因此，显式地调整先前生成的 token 可以提供一种计算可行的方式，用固定大小的大语言模型来表征这个后验。
综上所述，当被视为元强化学习问题时，A (⋅|⋅) 成为一个历史条件 (「自适应」) 策略，通过在给定测试问题上花费最多 C 的计算来优化奖励 r。
图片
                               图 3：智能体 – 环境交互协议。图源：https://arxiv.org/pdf/1611.02779
学习自适应策略的元强化学习
图片
                                   图 4：A_θ(x) 的响应包括一串 token。
我们如何解决这样一个元强化学习问题？也许解决元强化学习问题最明显的方法是采用黑盒元强化学习方法。这将涉及最大化输出轨迹 A_θ(x) 中想象的「episodes」的奖励总和。例如，如果 A_θ(x) 对应于使用自我纠正策略，那么每个 episode 的奖励将对轨迹中出现的单个响应进行评分。如果 A_θ(x) 规定了一种在生成和生成验证之间交替的策略，那么奖励将对应于生成和验证的成功。然后我们可以优化：
图片
一般情况下，输出 token 流可能无法清晰地分成生成和验证片段。在这种情况下，可以考虑元强化学习问题的更抽象形式，直接使用信息增益的某种估计作为奖励。
图片
可以通过多轮强化学习方法来解决 (Obj-1) 和 (Obj-2)。实际上，只要能够使用某种执行定期在线策略采样的强化学习算法来解决优化问题，强化学习方法的选择 (基于价值还是基于策略) 可能并不重要。
我们还可以考虑另一种制定元强化学习训练目标的方法：只优化测试回合获得的奖励，而不是训练回合的奖励，从而避免量化信息增益的需要。

以上就是如何优化测试时计算？解决「元强化学习」问题的详细内容，更多请关注创想鸟其它相关文章！

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/762866.html

赞 (0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
0 0

关于作者

程序猿的头像

程序猿签约作者

414.1K 文章
0 评论
2 粉丝
这个人很懒，什么都没有留下～
平安好车主怎么提交使用反馈意见_平安好车主提交使用反馈意见详细方法
上一篇 2025年11月26日 01:42:20
win11怎么恢复出厂设置_Windows11重置系统详细步骤
下一篇 2025年11月26日 01:42:28

相关推荐

  • Golang JSON序列化：控制敏感字段暴露的最佳实践 用户投稿

    Golang JSON序列化：控制敏感字段暴露的最佳实践

    本教程探讨golang中如何高效控制结构体字段在json序列化时的可见性。当需要将包含敏感信息的结构体数组转换为json响应时，通过利用`encoding/json`包提供的结构体标签，特别是`json:”-“`，可以轻松实现对特定字段的忽略，从而避免敏感数据泄露，确保api…

    程序猿的头像 程序猿
    2026年5月10日
    000
  • 比特币新手教程 比特币交易平台有哪些 用户投稿

    比特币新手教程 比特币交易平台有哪些

    比特币是一种去中心化的数字货币，基于区块链技术实现点对点交易，具有匿名性、有限发行和不可篡改等特点；新手可通过交易所购买，P2P交易获得比特币，常用平台包括Binance、OKX和Huobi；交易流程包括注册账户、实名认证、绑定支付方式、充值法币并下单购买，可选择市价单或限价单；比特币存储方式有交易…

    程序猿的头像 程序猿
    2026年5月10日
    000
  • c++中的SFINAE技术是什么_c++模板编程中的SFINAE原理与应用 用户投稿

    c++中的SFINAE技术是什么_c++模板编程中的SFINAE原理与应用

    SFINAE 是“替换失败不是错误”的原则，指模板实例化时若参数替换导致错误，只要存在其他合法候选，编译器不报错而是继续重载决议。它用于条件启用模板、类型检测等场景，如通过 decltype 或 enable_if 控制函数重载，实现类型特征判断。尽管 C++20 引入 Concepts 简化了部分…

    程序猿的头像 程序猿
    2026年5月10日
    000
  • Go语言mgo查询构建：深入理解bson.M与日期范围查询的正确实践 用户投稿

    Go语言mgo查询构建：深入理解bson.M与日期范围查询的正确实践

    本文旨在解决go语言mgo库中构建复杂查询时，特别是涉及嵌套`bson.m`和日期范围筛选的常见错误。我们将深入剖析`bson.m`的类型特性，解释为何直接索引`interface{}`会导致“invalid operation”错误，并提供一种推荐的、结构清晰的代码重构方案，以确保查询条件能够正确…

    程序猿的头像 程序猿
    2026年5月10日
    100
  • Golang goroutine与channel调试技巧 用户投稿

    Golang goroutine与channel调试技巧

    使用go run -race检测数据竞争，结合runtime.NumGoroutine监控协程数量，通过pprof分析阻塞调用栈，利用select超时避免永久阻塞，有效排查goroutine泄漏、死锁和数据竞争问题。 Go语言的goroutine和channel是并发编程的核心，但它们也带来了调试上…

    程序猿的头像 程序猿
    2026年5月10日
    000

  • 松下案例入选《2025企业社会责任竞争力指数报告》

    松下案例入选《2025企业社会责任竞争力指数报告》松下案例入选《2025企业社会责任竞争力指数报告》松下案例入选《2025企业社会责任竞争力指数报告》松下案例入选《2025企业社会责任竞争力指数报告》

    11月14日，中国新闻社《中国新闻周刊》在北京成功举办了第二十一届企业社会责任系列活动·2025责任之星特别节目。活动以“致明天：焕新责任竞争力”为主题，汇聚了来自政府、企业及学术界的多位代表，共同探讨新时代下企业如何通过责任创新打造核心竞争力。松下电器（中国）有限公司总裁赵炳弟作为企业界代表受邀出…

    程序猿的头像 程序猿
    2026年5月10日 • 用户投稿
    000
  • 使用 Jupyter Notebook 进行探索性数据分析 用户投稿

    使用 Jupyter Notebook 进行探索性数据分析

    Jupyter Notebook通过单元格实现代码与Markdown结合，支持数据导入（pandas）、清洗（fillna）、探索（matplotlib/seaborn可视化）、统计分析（describe/corr）和特征工程，便于记录与分享分析过程。 Jupyter Notebook 是进行探索性…

    程序猿的头像 程序猿
    2026年5月10日
    000

  • 《魔兽世界》将于6月11日开启国服回归技术测试

    《魔兽世界》将于6月11日开启国服回归技术测试《魔兽世界》将于6月11日开启国服回归技术测试《魔兽世界》将于6月11日开启国服回归技术测试《魔兽世界》将于6月11日开启国服回归技术测试

    《%ign%ignore_a_1%re_a_1%》官方宣布，将于6月11日开启国服回归技术测试，时间为7天，并称可以在6月内正式开服，玩家们可以访问官网下载战网客户端并预下载“巫妖王之怒”客户端，技术测试详情见下图。 WordAi WordAI是一个AI驱动的内容重写平台 53 查看详情 以上就是《…

    程序猿的头像 程序猿
    2026年5月10日 • 用户投稿
    200
  • 如何在HTML中插入表单元素_HTML表单控件与输入类型使用指南 用户投稿

    如何在HTML中插入表单元素_HTML表单控件与输入类型使用指南

    HTML表单通过标签构建，包含action和method属性定义数据提交目标与方式，常用input类型如text、password、email等适配不同输入需求，配合label、required、placeholder提升可用性，结合textarea、select、button等控件实现完整交互，是…

    程序猿的头像 程序猿
    2026年5月10日
    100
  • 创建指定大小并填充特定数据的Golang文件教程 用户投稿

    创建指定大小并填充特定数据的Golang文件教程

    本文将介绍如何使用Golang创建一个指定大小的文件，并用特定数据填充它。我们将使用 `os` 包提供的函数来创建和截断文件，从而实现快速生成大文件的目的。示例代码展示了如何创建一个10MB的文件，并将其填充为全零数据。掌握这些方法，可以方便地在例如日志系统或磁盘队列等场景中，预先创建测试文件或初始…

    程序猿的头像 程序猿
    2026年5月10日
    000
  • Python命令怎样使用profile分析脚本性能 Python命令性能分析的基础教程 用户投稿

    Python命令怎样使用profile分析脚本性能 Python命令性能分析的基础教程

    使用Python的cProfile模块分析脚本性能最直接的方式是通过命令行执行python -m cProfile your_script.py，它会输出每个函数的调用次数、总耗时、累积耗时等关键指标，帮助定位性能瓶颈；为进一步分析，可将结果保存为文件python -m cProfile -o ou…

    程序猿的头像 程序猿
    2026年5月10日
    000

  • 如何插入查询结果数据_SQL插入Select查询结果方法

    如何插入查询结果数据_SQL插入Select查询结果方法如何插入查询结果数据_SQL插入Select查询结果方法如何插入查询结果数据_SQL插入Select查询结果方法如何插入查询结果数据_SQL插入Select查询结果方法

    使用INSERT INTO…SELECT语句可高效插入数据，通过NOT EXISTS、LEFT JOIN、MERGE语句或唯一约束避免重复；表结构不一致时可通过别名、类型转换、默认值或计算字段处理；结合存储过程可提升可维护性，支持参数化与动态SQL。 将查询结果数据插入到另一个表中，可以…

    程序猿的头像 程序猿
    2026年5月10日 • 用户投稿
    000
  • 使用 WebCodecs VideoDecoder 实现精确逐帧回退 用户投稿

    使用 WebCodecs VideoDecoder 实现精确逐帧回退

    本文档旨在解决在使用 WebCodecs VideoDecoder 进行视频解码时，实现精确逐帧回退的问题。通过比较帧的时间戳与目标帧的时间戳，可以避免渲染中间帧，从而提高用户体验。本文将提供详细的解决方案和示例代码，帮助开发者实现精确的视频帧控制。 在使用 WebCodecs VideoDecod…

    程序猿的头像 程序猿
    2026年5月10日
    000
  • Debian Copilot的社区活跃度如何 用户投稿

    Debian Copilot的社区活跃度如何

    debian copilot是codeberg社区维护的ai助手，旨在为debian用户提供服务。尽管搜索结果中没有直接提供关于debian copilot社区支持活跃度的具体数据，但我们可以通过debian社区的整体活跃度和特点来推断其活跃性。 Debian社区的一般情况： Debian拥有详尽的…

    程序猿的头像 程序猿
    2026年5月10日
    000
  • Discord.py 交互按钮超时与持久化解决方案 用户投稿

    Discord.py 交互按钮超时与持久化解决方案

    本教程旨在解决Discord.py中交互按钮在一段时间后出现“This Interaction Failed”错误的问题。我们将深入探讨视图（View）的超时机制，并提供通过正确设置timeout参数以及利用bot.add_view()方法实现按钮持久化的具体方案，确保您的机器人交互功能稳定可靠，即…

    程序猿的头像 程序猿
    2026年5月10日
    000
  • JavaScript 动态菜单点击高亮效果实现教程 用户投稿

    JavaScript 动态菜单点击高亮效果实现教程

    本教程详细介绍了如何使用 JavaScript 实现动态菜单的点击高亮功能。通过事件委托和状态管理，当用户点击菜单项时，被点击项会高亮显示（绿色），同时其他菜单项恢复默认样式（白色）。这种方法避免了不必要的DOM操作，提高了性能和代码可维护性，确保了无论点击方向如何，功能都能稳定运行。 动态菜单高亮…

    程序猿的头像 程序猿
    2026年5月10日
    200
  • c++如何实现UDP通信_c++基于UDP的网络通信示例 用户投稿

    c++如何实现UDP通信_c++基于UDP的网络通信示例

    UDP通信基于套接字实现，适用于实时性要求高的场景。1. 流程包括创建套接字、绑定地址（接收方）、发送（sendto）与接收（recvfrom）数据、关闭套接字；2. 服务端监听指定端口，接收客户端消息并回传；3. 客户端发送消息至服务端并接收响应；4. 跨平台需处理Winsock初始化与库链接，编…

    程序猿的头像 程序猿
    2026年5月10日
    100
  • JavaScript函数中插入加载动画（Spinner）的正确方法 用户投稿

    JavaScript函数中插入加载动画（Spinner）的正确方法

    本文旨在解决在JavaScript函数中插入加载动画（Spinner）时遇到的异步问题。通过引入async/await和Promise.all，确保在数据处理完成前后正确显示和隐藏加载动画，提升用户体验。我们将提供两种实现方案，并详细解释其原理和优势。 在Web开发中，当执行耗时操作时，显示加载动画…

    程序猿的头像 程序猿
    2026年5月10日
    100
  • 使用 Pydantic v2 实现条件性必填字段 用户投稿

    使用 Pydantic v2 实现条件性必填字段

    本文介绍了如何在 Pydantic v2 模型中实现条件性必填字段。通过自定义验证器，可以根据模型中其他字段的值来动态地控制某些字段是否为必填项，从而满足 API 交互中数据验证的复杂需求。本文提供了一个具体的示例，展示了如何确保模型中至少有一个字段被赋值。 在 Pydantic v2 中，虽然没有…

    程序猿的头像 程序猿
    2026年5月10日
    000

  • 三星不再独享，消息称搭载骁龙 8 Gen 3 领先版处理器新机即将发布

    三星不再独享，消息称搭载骁龙 8 Gen 3 领先版处理器新机即将发布三星不再独享，消息称搭载骁龙 8 Gen 3 领先版处理器新机即将发布三星不再独享，消息称搭载骁龙 8 Gen 3 领先版处理器新机即将发布三星不再独享，消息称搭载骁龙 8 Gen 3 领先版处理器新机即将发布

    6 月 15 日消息，据博主@肥威 今日爆料，搭载骁龙 8 Gen 3 领先版%ign%ignore_a_1%re_a_1%的新机即将发布，把之前的 for Galaxy 改成“for Everybody”。 Pic Copilot AI时代的顶级电商设计师，轻松打造爆款产品图片 158 查看详情 …

    程序猿的头像 程序猿
    2026年5月10日 • 用户投稿
    100

发表回复

登录后才能评论
关注微信