【程序员必藏】2025最新RL×LLM技术全景扫描：从全生命周期到推理增强，附60+开源模型与30+训练框架

该文介绍2025年两篇关于强化学习(RL)与大语言模型(LLM)结合的最新技术综述。第一篇梳理了RL在LLM全生命周期(预训练、对齐、推理增强)的应用，重点解析RLVR技术；第二篇聚焦"大推理模型(LRM)"，探讨奖励设计、策略优化等核心问题，并提供了60+开源模型、40+数据资源和30+训练框架的全面盘点，展示了RL如何提升LLM推理能力和涌现行为。

今天分享2篇2025最新RL×LLM的技术综述：复旦、字节等全景扫描“RL在LLM全生命周期的打法”，清华、上海AI Lab等聚焦“RL如何炼成大推理模型”

传统 RLHF解决“对齐”——让模型更礼貌、更安全。

2024 年起，OpenAI o1、DeepSeek-R1、Kimi k1.5、Qwen3 等相继亮相：在数学、代码、科学问答上暴涨几十个百分点，秘诀是RL with Verifiable Rewards（RLVR）——用可自动判对的奖励（unit-test、math-verify）代替昂贵人类偏好。

结果：推理长度↑、Pass@1↑，出现“自我反思”“纠错”等涌现行为，于是“大推理模型（LRM）”概念出圈。

第一篇Paper完整梳理 RL 在 LLM 全生命周期的玩法：从预训练 → 对齐 → 推理增强，重点解读 RLVR（可验证奖励 RL）的算法演进、多模态延伸、Agent 训练与内部反馈机制。

全生命周期地图

RL增强的LLM关键组件

阶段	关键算法	备注
预训练	Reinforcement Pre-Training、OctoThinker	把 next-token 变成可验证 RL 任务
对齐	RLHF、DPO、RLAIF、Constitutional AI	人类/AI 偏好→策略优化
推理增强	RLVR + 多模态 + Agent	最浓墨重彩的章节

LLM+RL全分类体系

推理阶段的强化学习方法

RLVR（可验证奖励强化学习）成为核心
用“自动判卷”式奖励（代码单元测试、数学答案校验）替代人工偏好，直接优化推理正确率。

算法演进路线

GRPO：去价值网络，组内相对奖励做 baseline，稳定高效。
DAPO：Clip-Higher（上界放松）+ 动态采样 + 超长截断，长链推理不崩。
Tree 系列：TreeRPO/TreeRL 把 rollout 组织成树，步级奖励+KV-cache 复用，提升探索密度。
序列级新范式：GSPO 用整条序列的重要性权重，解决 token 级偏差，MoE 训练更稳。

清华、上海AI Lab等

把镜头对准「大推理模型 LRM」——为何 RL 能让 LLM 长出“长思维链”？它系统拆解了奖励设计、策略优化、采样策略、训练资源与落地应用，并给出 60+ 开源模型、40+ 数据/环境、30+ 训练框架的超全盘点。

一张图看懂 RL for LRM 组件

综述总览。介绍了面向大型推理模型（LRMs）的 RL 基础组件、开放问题、训练资源与应用，核心关注语言智能体与环境在长期演化中的大规模交互。

基础组件分类树，展示各方向的代表性工作：奖励设计、策略优化、采样策略

奖励设计 5 象限

类型	信号密度	是否可验证	案例
① 规则奖励	稀疏	✅	数学答案对错、代码单元测试
② 生成奖励	稀疏/密集	❌/✅	LLM-as-a-Judge、RRM
③ 密集奖励	步级/Token 级	✅/❌	PRM、TreeRPO、Turn-level
④ 无监督奖励	任意	❌	自一致性、熵、置信度
⑤ 奖励塑形	任意	—	混合规则+RM、Pass@K 对齐