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

什么开源算法自称为DeepSeek-R1（-Zero） 框架的第一个复现？

新强化学习框架RAGEN，作者包括DeepSeek前员工Zihan Wang、斯坦福李飞飞团队等，可训练Agent在行动中深度思考。

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。

他在介绍这项工作时上来就是一个灵魂提问：为什么你的强化学习训练总是崩溃？

而RAGEN正是探讨了使用多轮强化学习训练Agent时会出现哪些问题 ，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:

• Echo Trap（回声陷阱）：多轮强化学习中，模型过度依赖局部收益的推理，导致行为单一化、探索能力衰退，从而影响长期收益。

• 数据质量：Agent生成的交互数据直接影响强化学习的效果。合理的数据应该具有多样性、适度的交互粒度和实时性。

比如在单个任务上多试几次，每轮限制5-6个动作，并保持rollout的频繁更新。

• 缺乏推理动机：如果没有精心设计的奖励函数，Agent很难学会多轮任务中持续的推理能力。

甚至会出现表面看起来能完成任务,实际上只是匹配了固定模式的假象。下一步的关键在于建立更细粒度、面向解释的奖励机制。

在交互式随机环境中训练推理Agent

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。

<think>...reasoning process...</think><ans> action </ans>

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。

除提出算法外，RAGEN论文中还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。

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。

One More Thing

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

RAGEN、VAGEN代码均已开源，感兴趣的团队可以跑起来了。

论文：

https://github.com/RAGEN-AI/RAGEN/blob/main/RAGEN.pdf

代码

https://github.com/RAGEN-AI/RAGEN

https://github.com/RAGEN-AI/VAGEN

参考链接：

[1]https://ragen-ai.github.io

[2]https://x.com/wzihanw/status/1915052871474712858

文章来自于微信公众号 “量子位”，作者 ：梦晨