quickbi数据集报错
2026/1/9 0:55:08
文章探讨了大模型训练范式的演变，强化学习(RL)的重要性日益提升。2025年，DeepSeek发明的GRPO算法成为主流，被各大公司和实验室广泛采用。展望未来，具有泛化性和可扩展性的LLM General Value Function(LLM-GVF)可能成为大模型训练的重大突破点，为RL训练提供更高效的信号机制。
一：旧范式的崩塌与 RLVR 的崛起
Lecun Yann 的“蛋糕论”已经被彻底抛弃在历史尘埃里、只是偶尔从后视镜里能瞥到，——连同他对 LLM 这条路线的悲观看法一起。2025 年，RL训练已成为耗费算力增长最快的环节。
简而言之，Lecun 曾经的观点认为：如果智能是一块蛋糕，主体部分是自监督学习，——通过从海量无标签数据中学到丰富知识，建立自身的 world model（这也正是大模型通过 pre-training scaling up 发展的路线，产生了现在的 基座base model）。
而表面的icing部分是supervised learning，再往上、顶层点缀的樱桃，才是RL，受限于采样效率等等问题，主要以点缀作用为主。
——但在今天看来，这块“甜点”的比喻已经很不恰当、太小、太薄了，已经远远不能像 RLHF 时代那样形容 RL了。
回顾过去这一年，任何一个总结 2025 年的 AI Researcher，都不会对 RLVR避而不谈，更不会忘记提到 DeepSeek R1 推理模型（比如Karpathy 文章《2025 LLM Year in Review》，第一条就是 RLVR，推荐大家都去读读原文，用不了多长时间）。
2025年是RL风光无限的一年，——从老董叔今年在大模型领域的创作频率，大家也能看出来，多少有点风水轮流转、今年到我家的感觉。
二：2025 年的宠儿——GRPO
在这种背景下，GRPO 成了 2025 年的宠儿。
GRPO 算法本质上是 DeepSeek 独立发明、并在 R1 系列推理模型上取得显著成功的（很多人应该至今还记得 R1-Zero 惊艳的训练曲线）。
它直接将 2024 年正火热的 PPO 及 Off-policy 算法 DPO 等打入冷宫，甚至一度将“PRM 过程监督训练范式”从热点上拉了下来直接替换成了ORM（虽然现在随着 DeepSeek-Math-V2 等对 Value Function 的重视，情况有所改善）。
直到一年后的今天，中美的互联网大厂（微软、字节、阿里、英伟达等）、顶尖 Lab（Thinking Machines Lab 等）、美国顶尖大学，仍在沿着 GRPO 系列路线继续魔改使用——典型魔改版本如字节的 DAPO 和阿里的 GSPO 等等。
年初 Mark Chen 就已经公开承认 OpenAI 采用同样的范式训练自己的 O* 系列推理模型。
实际上，它已经必然会成为全世界所有做大模型post-training研究者们教科书级别的入门学习材料了。
而且直到2025年底，仍在大模型届持续占有重要地位。我也分享了自己的思考：年初 DeepSeek R1 验证 GRPO 很适合用于 Reasoning Model 之后，尽管很多魔改版本出来，但最近的 DeepSeek-Math-V2 & DeepSeek V3.2（包括 Speciale）仍在坚持 GRPO，并没有将这些魔改版本考虑进去（比如 GSPO、DAPO、小米 R3、甚至前段时间的神文 Training-Inference Mismatch via FP16 精度设置等等）。
我当时猜测原因可能是Token-level 的 Credit Assignment 本身粒度没必要特别细，反而有利于模型训练稳定。但是这只是权宜之计、是持续提升模型能力进一步scaling up所亟需解决的。此外DeepSeek 的 Infra 架构已经能很大程度减轻 Train-Inference Mismatch。
其实Qwen miniRL论文也从侧面验证了我的思考：即 Value Function 尽管非常重要、大家都希望有，但 Critic Model 本身很难训练且不易 Scaling。这条路线前途光明，但有诸多困难，而这正是2026年开始要突破的地方。
而且老董叔作为前大模型时代就做强化学习的研究者看来，其实自 2017 年 RL 成为热点之后，一路发展到 PPO 就已经比较收敛了。典型的算法框架其实在前大模型时代就已经基本固定了，大模型时代的算法固然有自己的特点，但基本不会超出几类典型的框架，
——所以我们仍然有迹可循。
那2026年以及接下来的几年里、大模型后训练的重点突破会在哪里呢？
三：2026 与未来——Value Function 的回归与 LLM-GVF
2026 年甚至之后的几年，具有泛化性、可 Scaling 的 LLM General Value Function（老董叔提出的新名词，以后不妨简称为 LLM-GVF）的 RL 算法，仿佛已经扑面而来了。
Ilya 的访谈中其实也重点提到了 Value Function 在人类智能中的重要作用——相比之下，没有 Value Model，RL 训练的信号效率太低，每个 Rollout 只有 1 bit 信号，所以 Math-V2 版本中已经一定程度上强调了之前 GRPO 算法所省略的 Critic Model 重要性。
其实在前大模型时代，无论是游戏还是 Robotics 场景，解决 Sparse Reward、引入 Value Model 进行 Credit Assignment，是需要极力解决的首要问题。
最后之所以能收敛到 PPO 路线，一个很大的原因就是引入的优势估计GAE非常好使。
展望未来，老董叔预言，下一个大模型训练的重大突破，大概率是看将来谁能把 LLM General Value Function 即LLM-GVF 这个问题解决好。我对此很有信心，主要来自两个方面：
一是从启发式的角度说，人类学习本质上不会这么低效率的试错。 这也正是 Ilya 提到的人类的情绪等可以作为 Value Function 的实现方式之一，而这种高效、容易实现scaling的Value Function 必然是要General的，——即LLM-GVF。
二是大模型时代的强化学习 RL 还是有一定的泛化性，前大模型时代，RL 的灾难性遗忘问题至关重要，但现在 Base Model 动不动几十、几百、上千亿参数量，这种前大模型时代几乎完全无泛化性的问题，已经得到一定程度缓解了。因为基座模型换成语言模型后，很多 Priors 都能直接泛化，就是老董叔常说的 Priors Really Matter！ 这就为LLM-GVF的出现提供了良好土壤环境。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。