摘要：定义了强化学习中的熵塌缩问题，并从 4 个模型家族，11 个模型上总结了熵与性能之间的经验转换公式，证明了策略熵在强化学习中的重要性。从理论与实践的角度发现了强化学习时的策略熵变化的驱动力：动作（模型输出的 token）发生的概率及其对应获得的优势之间协方差。

Nature never undertakes any change unless her interests are served by an increase in entropy.

自然界的任何变化，唯有在熵增符合其利益时方会发生—— Max Planck

在强化学习中，我们又该如何让熵增符合我们的利益？

近日，来自上海人工智能实验室、清北，UIUC 等机构的研究者的工作揭示了大模型强化学习中的熵变化的机制。研究内容主要如下：

定义了强化学习中的熵塌缩问题，并从 4 个模型家族，11 个模型上总结了熵与性能之间的经验转换公式，证明了策略熵在强化学习中的重要性。

从理论与实践的角度发现了强化学习时的策略熵变化的驱动力：动作（模型输出的 token）发生的概率及其对应获得的优势之间协方差。

从该角度出发，研究提出了两种简单（10 行代码的修改）但十分有效的（AIME24/25 + 15%）的熵增强化学习方案 Clip-Cov 与 KL-Cov，实现了模型在强化学习训练过程中的持续探索。

论文标题：The Entropy Mechanism of Reinforcement Learning for Reasoning Language Models

论文链接：https://huggingface.co/papers/2505.22617

代码仓库：https://github.com/PRIME-RL/Entropy-Mechanism-of-RL

1. 大模型强化学习中的熵塌缩问题

强化学习的核心挑战在于利用 - 探索的权衡，即在重复验证策略与寻找新策略之间取得平衡。对于探索而言，衡量策略探索潜力的关键指标是策略熵，它反映了策略在动作选择过程中的不确定性。在强化学习研究中，抑制策略熵的衰减被视为大多数算法的关键，传统强化学习中，研究者常通过正则化手段主动调控策略熵。

对于大语言模型，虽然策略熵的典型行为尚未得到充分研究，但我们在大量实验中发现了一个有趣且一致的模式：策略熵在短短几步训练内就会急剧下降至接近零，表明策略变得极度确定。这种探索能力的缺失直接导致性能停滞，验证集表现也同步陷入瓶颈。定量分析进一步揭示，在没有熵干预（如熵损失或 KL 正则化）的情况下，下游性能 (R) 完全由策略熵 (H) 决定，其拟合曲线符合简单的指数函数 R = -a exp (H)+ b，如下图所示。本质上，策略正在以可预测的方式用不确定性（熵）换取奖励。

图 1 展示了大模型强化学习中的熵塌缩问题

在 Qwen, Mistral, LLaMA 和 Deepseek Model family 上，我们验证了这一点：

图 2 不同 Model Family 中的熵塌缩现象

这一经验规律衍生出两个重要推论：（1）类似于 Scaling Law，利用 - 探索曲线在给定策略模型和训练数据时即已确定。这使得我们能在强化学习早期预测策略表现，并从小模型推演大模型性能。（2）更重要的是，该方程表明当策略熵耗尽时（H = 0, R = −a + b），策略性能的上界也随之确定，这意味着单纯增加训练算力对强化学习的收益可能极其有限。因此，简言之，要实现可扩展的强化学习，必须突破熵瓶颈。

图 3 训练前期预测模型最终性能

图 4 小模型预测大模型

2. 大模型强化学习中熵与协方差的关系

解决这一问题的关键在于理解现象背后的机制：为何策略熵会单调递减？为此，我们从理论和实验两个维度分析了策略熵的动力学特征。核心发现表明，对于采用 softmax 策略的 LLMs，连续两步间的熵变化正比于动作对数概率与对应 logit 变化的协方差。进一步地，在策略梯度和自然策略梯度类算法中，logit 差异与动作优势度成正比。

直观而言，高优势度且高概率的动作会降低策略熵，而高优势度的罕见动作则会增加熵。这一理论结论得到了实验验证：训练初期，策略在训练数据上表现出高协方差，说明策略置信度良好，因此能安全地利用高置信轨迹，强化置信度并最小化熵（这也与最近的一些最小化熵来提高性能的工作结论吻合）；随着训练推进，协方差虽逐渐降低但仍保持正值，持续将策略熵拖向更低水平。

公式 1 对于熵与协方差的理论分析

图 5 熵与协方差的实证分析

3. 基于协方差的熵增强化学习方案

我们首先通过实验验证了，传统熵 / KL 正则化方法在大模型中收效甚微。

图 6 传统正则化手段失效

而对熵动力学的分析表明，高协方差会阻碍强化学习的可扩展性，这为提升策略熵提供了方向 —— 限制高协方差 token 的更新步长。基于此，我们设计了两种熵控制策略 Clip-Cov 和 KL-Cov，分别替代替代损失中的 clip 和 PPO-KL 方法。Clip-Cov 随机选取少量高协方差 token 并 detach 其梯度：

公式 2 Clip-Cov

KL-Cov 则更简单，直接对协方差最大部分的 token 施加 KL 惩罚：

公式 3 KL-Cov

实验证明，通过调节阈值参数可主动控制策略熵，使模型摆脱低熵陷阱：

图 7 通过 Clip-Cov 与 KL-Cov 来控制熵

实验表明，在数学推理等任务中取得更优的表现，在 Qwen2.5-32B 上，我们获得了 6.4% 的提升，尤其在 AIME24/25 这样的具有挑战性的数据集上，提升更是达到 15%。

图 8 Clip-Cov 与 KL-Cov 方法下熵，输出长度，性能的训练动态

图 9 Clip-Cov 与 KL-Cov 的性能

本研究致力于解决大语言模型推理任务中强化学习的策略熵塌缩问题。通过实证分析，我们发现性能提升往往以牺牲探索能力为代价，这种权衡关系为模型改进设置了可预见的性能上限。为深入理解这一现象，我们从理论层面解析了熵的动态变化规律，并提出两种简单的正则化技术 ——Clip-Cov 与 KL-Cov，通过直接调控高协方差标记来有效遏制熵塌缩。

展望未来，训练算力将逐渐从预训练阶段转向后训练阶段，尤其是强化学习。在通过增加算力扩展强化学习的道路上，保持探索能力、发现新路径、实现持续改进至关重要唯有如此才能更高效地利用算力。但实现强化学习的规模化发展需要突破单纯熵最小化的局限。我们期待这项研究能为熵的作用机制提供新见解，促进对 LLM 强化学习底层机制的理解、分析与优化，推动强化学习向更高层次的智能迈进。

来源：晚晚的星河日记一点号