李飞飞DeepSeek前员工领衔，复现R1强化学习框架，训练Agent在行动中深度思考

自称为DeepSeek-R1（-Zero）框架复现的开源强化学习算法是RAGEN。以下是关于RAGEN的详细介绍：作者团队：RAGEN的作者包括DeepSeek前员工Zihan Wang、斯坦福李飞飞团队等。其中，论文一作Zihan Wang在DeepSeek期间参与了Deepseek-v2和Expert Specialized Fine-Tuning等工作，目前在美国西北大学读博。研究背景：RAGEN探讨了使用多轮强化学习训练Agent时会出现的问题，以及如何解决这些问题。通过大量实验，研究团队发现了训练深度推理型Agent的三大难点，包括Echo Trap（回声陷阱）、数据质量、缺乏推理动机。系统构成：RAGEN是一个模块化的Agent训练和评估系统，基于StarPO（State-Thinking-Actions-Reward Policy Optimization）框架，通过多轮强化学习来优化轨迹级别的交互过程，由两个关键部分组成：MDP Formulation：将Agent与环境的交互表述为马尔可夫决策过程（MDP），其中状态和动作是token序列，从而允许在环境动态上推理。StarPO：通过轨迹级优化强化推理：StarPO是一个通用的强化学习框架，用于优化Agent的整个多轮交互轨迹，在两个阶段之间交替进行，支持在线和离线学习。Rollout阶段：给定初始状态，该模型会生成多条轨迹。在每一步中，模型都会接收轨迹历史记录并生成推理引导的动作。环境接收动作并返回反馈（奖励和下一个状态）。Update阶段：多回合轨迹优化：生成轨迹后，训练优化预期奖励。StarPO并非采用逐步优化的方式，而是使用重要性采样来优化整个轨迹。这种方法能够在保持计算效率的同时实现长远推理。StarPO支持PPO、GRPO等多种优化策略。主要发现：RAGEN论文中重点介绍了通过研究推理稳定性和强化学习动态得出的6点主要发现。发现1：多轮训练引入了新的不稳定模式。像PPO和GRPO这样的单轮强化学习方法的adaptations在Agent任务中有效，但经常会崩溃。PPO中的“批评者”或许可以延缓不稳定性，但无法阻止推理能力的下降，这凸显了在Agent任务中对专门的稳定性进行改进的必要性。发现2：Agent强化学习中的模型崩溃体现为训练过程中的“回声陷阱”。早期智能体会以多样化的符号推理做出反应，但训练后会陷入确定性、重复性的模板。模型会收敛到固定的措辞，这表明强化学习可能会强化表面模式而非一般推理，并形成阻碍长期泛化的“回声陷阱”。发现3：崩溃遵循类似的动态，可以通过指标预测。奖励的标准差和熵通常会在性能下降之前发生波动，而梯度范数的峰值通常标志着不可逆崩溃的临界点。这些指标提供了早期指标，并激发了对稳定策略的需求。发现4：基于不确定性的过滤提高了训练的稳定性和效率。基于奖励方差过滤训练数据可以有效对抗“回声陷阱”。仅保留高度不确定的训练实例可以延迟或防止跨任务崩溃，并提高数据效率。发现5：任务多样性、行动预算和推出频率影响数据质量。多样化的任务实例能够实现更好的策略对比和跨环境泛化。合适的行动预算能够提供充足的规划空间，并避免过长序列引入的噪声。Up-to-date rollouts能够确保优化目标与当前策略行为保持一致。发现6：如果没有精心的奖励设计，推理行为就无法产生。虽然符号推理在弱监督下的单轮任务中自然出现，但在多轮环境中，如果没有明确鼓励可解释的中间推理步骤的奖励设计，它就无法持续存在。团队观察到，即使有结构化的提示，如果奖励信号仅关注最终结果，推理能力也会在训练过程中逐渐衰退。这表明如果没有细致的奖励塑造，智能体可能会倾向于走捷径，完全绕过推理。相关项目：同团队还有另一个项目VAGEN，使用多轮强化学习训练多模态Agent。VAGEN 引入了回合感知推理交互链优化 (TRICO) 算法，通过两项关键创新扩展了传统的RICO方法：选择性token屏蔽，跨轮credit分配。与传统的Agent强化学习相比，VAGEN不会平等对待轨迹中的所有token，而是重点优化最关键的决策token并在交互过程中创建更细致的奖励结构，更适合多模态Agent。开源情况：RAGEN、VAGEN代码均已开源。论文链接：https://github.com/RAGEN-AI/RAGEN/blob/main/RAGEN.pdf代码链接：https://github.com/RAGEN-AI/RAGEN、https://github.com/RAGEN-AI/VAGEN