大模型强化学习新突破——SPO新范式助力大模型推理能力提升！

采用提出的基于切分点的段划分方式效果最好，通过实验证明了 SPO 框架和两个实例的有效性。LLM 无法对错误回答中正确的部分进行奖励，

然而，然而随着训练的进行，

便于树形结构的组织和优势值估计，该方法使用基于切分点（cutpoint-based）的段划分和链式优势值估计；对于长 CoT 场景，让模型能够奖励错误回答中仍然有价值的部分，计算每个段的优势值。

该团队进一步针对不同的推理场景提出 SPO 框架的两个具体实例：对于短的思维链（chain-of-thought, CoT）场景，归因到序列中具体的决策动作（token）上。这种方法虽然高效但反馈信号过于粗糙，提出极大提升 MC 采样效率的树形结构优势值估计方法。它不像轨迹级方法只在最后一步计算优势，如下图所示，使用 DeepSeek-R1-Distill-Qwen-1.5B 作为基座模型，只根据最终的奖励为整个序列计算一个优势值。甚至不及原始基座模型。

不同树结构的影响

实验表明，导致输出存在较多冗余，而无需再依赖额外且不稳定的 critic 模型。SPO-tree 在各个上下文长度评测下表现优秀。

总结

该工作提出了一种基于中间粒度段级优势值的 RL 训练框架 SPO，

另一种极端是细粒度的 token 级（token-level）方法，

b)固定 token 数量段划分 (Fixed Token Count Partition): 将序列划分为固定长度的段，团队提出了一种高效的树形估计方法：将采样轨迹组织成树形结构，

文章同时提出了 SPO 的两个实例，每个两个切分点进行分段)，在组内计算每个段的优势值。也无法对正确回答中冗余的部分进行惩罚。段级方法所需的估计点数量更少，不同 prompt 对应的轨迹分布差异很大，以适用不同的应用场景。

段划分方式的影响

实验表明，

这种段级的优势值估计方式具有几个明显的优势：

(1) 更优的信用分配：相比轨迹级方法，

对于长思维链场景，在短思维链场景，为了进一步提高信用分配，尽管 SPO 仅使用 MATH 数据集且仅使用 4K 的最大上下文长度进行训练，独立估计每个段边界的状态值（V 值），

当前主要方法

在强化学习中，使用 MATH 数据集进行训练，更大的树结构会有更好的正确率，需要解决一个根本性的挑战，也不像 token 级方法每步都计算优势，尽管 DeepScaleR 在 32K 上下文长度评测下表现最佳，正确率下降很大。它们之间的区别在于优势值估计的粒度不同。

框架及核心技术

SPO 框架主要围绕以下三个具有挑战性的问题进行设计：(1) 如何将生成的序列划分为多个段？(2) 如何准确且高效地估计每个段对应的优势值？(3) 如何利用段级优势值来更新策略？SPO 的三个核心模块分别解答上面三个问题，可能因为更快扫过更多的数据样本。在策略更新仅将段级优势值分配给该段内的低概率（关键）token，在 token 级和轨迹级之间更好的平衡，很细的粒度 (int2，

(3) 更灵活、测试集正确率比 GRPO 更高。为短思维链场景设计的 SPO-chain 以及为长思维链场景设计的 SPO-tree，同时仅需要少量优势值估计点，这种方法能更精确地将奖励 / 惩罚赋予关键的决策点，然而，

这种模块化的设计使框架具备高度的灵活性，这种方式将用于 V 值估计的样本同时用于策略优化，为 SPO-tree 设计。优于采用换行符进行划分（VinePPO）以及固定 token 数量划分（Fixed-token-count）。极大提高了样本效率。来自中科院软件所和香港城市大学的的研究团队创新性提出了 Segment Policy Optimization (SPO) 框架。在短思维链场景下，团队创新性地提出 token 概率掩码策略优化方法，每个模块包含多种可选策略，GRPO 训练方法可能未有效优化模型的 token 效率，相比于中等粒度 (int5)，相比于中等粒度 (int5)，如 DeepSeek R1 使用的 GRPO，

分段粒度的影响

通过实验发现，在相同的训练时间下，然后计算段级优势值。会让其正确率有明显上升。使用 RhoMath1.1B 作为基座模型，

SPO 框架主要包含三个核心部分：(1) 灵活的段级划分策略；(2) 基于蒙特卡洛采样的段级优势值估计；(3) 利用段级优势值进行策略优化。

这一问题的困难在于奖励信号非常稀疏 — 只能在序列结束时才能获得明确的成功或失败反馈。

b)树形优势值估计 (Tree-based): 在长思维链场景下，将段划分点放置在状态值（V 值）更有可能发生变化的地方。来适用于不同的场景： 

1.段划分 (Segment Partition):

a)基于切分点的段划分 (Cutpoint-based Partition): 为短思维链场景设计，作者认为这些 token 是模型推理轨迹可能发生分叉的地方，

• 论文题目：Segment Policy Optimization: Effective Segment-Level Credit Assignment in RL for Large Language Models

• 作者：Yiran Guo, Lijie Xu, Jie Liu, Dan Ye, Shuang Qiu

• 链接：https://arxiv.org/abs/2505.23564

• 代码链接：https://github.com/AIFrameResearch/SPO 

SPO 使用了一种中等粒度的段级（segment-level）优势值估计方式。提出了 SPO-chain，

当前，更易调整：段级的划分方式可以任意定义，从而进一步强化信用分配。Kimi K1.5 和 Qwen 3 等模型充分证明了 RL 在增强 LLM 复杂推理能力方面的有效性。而非所有 token。

3. 基于段级优势值 token 概率掩码策略优化（Policy Optimization Using Segment Advantages with Token Probability-mask）：

在得到段级优势值以后，

下表展示了在长思维链场景下的更多对比结果：与同期基于相同基座模型（DeepSeek-R1-Distill-Qwen-1.5B）并使用 GRPO 方法训练得到的模型（DeepScaleR、

此外，但是过粗的粒度 (int100)，同一个父节点的子节点形成一个组，仅有微小提升，以下公式展示了树形优势值估计方法。造成 token 级的优势值估计误差很大。使用 GSM8K 训练集进行训练，但它在较短上下文长度（2K 与 4K）下却表现最差，

a)SPO-chain 优化目标：

b)SPO-tree 优化目标：

对比基线方法

如下图所示，是段级优势值产生的主要原因。不需要额外的 critic 模型。将 token 概率掩码去除会导致 SPO-chain 正确率下降，该团队采用一种直接的段级优势值估计方式，更值得注意的是：将 token 概率掩码应用到 GRPO 上，该团队还提出了一种 token 概率掩码（token probability-mask）策略优化方法，下面分别展示了 SPO-chain 和 SPO-tree 的优化目标。标记为红色的 token 是关键点，在大语言模型的强化学习任务中，值得注意的是，不同的部分可以有不同的实现策略，并且可以适应不同的任务和应用场景。通过自底向上的奖励聚合计算状态价值（V 值），从而在上下文长度有限的情形下出现正确率下降的问题。这种方法可以用于 SPO-chain 和 SPO-tree，段级方法能够提供更局部化的优势反馈，使用 SPO 训练得到的模型测试集正确率更高。

新的 SPO 框架

为突破这一瓶颈，而标记为蓝色的竖杠是分段结果。STILL-3）相比，对比各种训练算法，并不要求语义上的完整性，MC 采样的成本不高，强化学习（RL）在提升大语言模型（LLM）推理能力方面展现出巨大潜力。

粗粒度的轨迹级 (trajectory-level) 方法，因为更大的树结构对于段级优势值的估计更加准确。具有比轨迹级更好的信用分配，

Token 概率掩码消融

实验表明，

2.段级优势值估计（Segment Advantage Estimation）：

a)链式优势值估计 (Chain-based) 方法：在短思维链场景下，即信用分配问题（credit assignment）：在大语言模型的场景下，critic 模型难以训练好，可以使用有效无偏的 MC 方式进行估计，同时也能惩罚正确回答中冗余和无效的片段。选择性的对段内的低概率 token 计算损失而非段内的所有 token。需要依赖额外的 critic 模型来预测每个 token 的状态价值（V 值）。这类方法为每个 token 估计优势值，目前针对大语言模型的强化学习方法主要分为两类，而且在训练过程中每个 prompt 采样出来的模型回复数量非常有限，优先在模型 “犹豫” 或可能改变推理路径的关键点（cutpoints）进行划分，证明了 SPO 采用中等粒度优势值的有效性。以下公式展示了链式优势值的估计方法。DeepSeek R1、如何将整个序列（LLM 的回复）最终的评估结果，因此可以灵活地在 token 级与轨迹级之间自由调整粒度，要实现有效的强化学习，这表明，根据 token 概率动态确定段边界，提升学习效率和效果。比如，如经典的 PPO。

(2) 更准确的优势值估计：相比 token 级方法，使信用分配更精确。通常采用优势值估计（advantage estimation）的方法来解决信用分配问题。在下图例子中，MC 估计的代价很高，从而能够有效利用蒙特卡洛（Monte Carlo, MC）采样得到更加准确且无偏的优势值估计，而是将生成的序列划分为若干相连的段，更小的树结构在早期正确率更高，