突破后训练瓶颈？Meta超级智能实验室又一力作：CaT解决RL监督难题

来源：市场资讯

（来源：机器之心）

在 AI 领域，大家通常采取后训练方式来让模型获取专项技能。然而后训练一般依赖带有标注参考的监督微调，或通过可验证的程序化检查器提供奖励。

这就带来一些问题，目前许多有价值的任务可能同时缺乏这两种资源。例如在不可验证的场景中（临床、自由对话和创意写作），可能存在多个有效答案，确定性规则检查难以实施。

在这种情况下，实践者往往只能依赖（i）繁琐的标注流程，或（ii）通过另一个 LLM 对自由形式输出进行粗略奖励。

然而，当后训练缺乏真实标注时，学习信号从何而来？

为了回答这一问题，来自牛津大学、Meta 超级智能实验室等机构的研究者提出设想：

推理计算是否可以替代缺失的监督？

本文认为答案是肯定的，他们提出了一种名为 CaT（Compute as Teacher）的方法，核心思想是把推理时的额外计算当作教师信号，在缺乏人工标注或可验证答案时，也能为大模型提供监督信号。

结果显示，推理时直接应用 CaT显著提升了 Gemma 3 4B、Qwen 3 4B 和 Llama 3.1 8B 的性能，即使在不可验证领域（MATH-500 最高提升 27%；HealthBench 提升 12%）。结合强化学习的CaT（CaT-RL）可进一步获得增益（最高提升 33% 和 30%），训练后的策略甚至能超越初始教师信号。

• 论文地址：https://arxiv.org/pdf/2509.14234

• 论文标题：Compute as Teacher: Turning Inference Compute Into Reference-Free Supervision

有意思的是，这篇论文作者全部都在 Meta 超级智能实验室做过研究（∗Work done at Meta Superintelligence Labs）。我们不得不感叹，近期，他们发文的频率真是太快了。

在论文上线的同时，这项研究也引起了大家广泛讨论，有人表示：CaT 解决了 RL 中缺少监督的难题，这是一种优雅的解决方案。

还有人认为：CaT 的这项研究意义重大，它将计算本身转化为监督。如果将其规模化，可能会改写我们在健康和安全等不可验证领域的强化学习方法。

「对于在验证成本高昂或无法验证的领域来说，这可能是重要的一步。」

方法介绍

CaT 流程如下：

• 探索阶段：针对每个输入提示，当前策略生成一组并行推演结果（parallel rollouts）；

• 合成阶段：一个冻结的锚点模型（frozen anchor）（即初始策略，仅作为估计器使用）以这组推演结果为条件，通过整合遗漏、矛盾和不完整的解决方案，合成一个单一的估计参考答案；

• 角色分离设计：当前策略负责探索，生成多样化的推演；锚点模型作为稳定的估计器，将额外的推理计算转化为完全源于模型行为的教学信号；

• 计算效率：CaT 复用了强化学习中常见的组推演计算预算（如 GRPO），除已有采样计算外几乎不引入额外开销。

这种方法的核心优势在于：无需人工标注或外部验证器，仅通过模型自身的推理过程就能生成高质量的监督信号，适用于数学推理、医疗咨询、创意写作等缺乏标准答案的任务。

本文最大创新是将额外的推理计算转化为监督信号，在公式表达上：对于每个输入提示 q，当前策略 在 GRPO 时间步 t 生成一组 G 个并行推演结果 o1:G。然后一个冻结的锚点策略（通常是初始模型）通过整合所有推演结果中的信息，解决遗漏和矛盾，合成一个统一的参考响应 s。最后是奖励生成，分两种场景，将估计的参考响应 s 转化为奖励信号。

此外，本文还通过提供奖励函数来优化模型，使其接近预估参考值，称之为 CaT-RL。

对于数学等可验证领域，这很容易。只需检查预估参考答案是否与策略部署的答案相同即可。如果相同，则奖励 +1！

对于自由聊天等不可验证领域，这要困难得多！因为有很多有效答案…… 所以本文做了一些不同的事情。

方法是模型再次查看预估参考值，并生成一个标准列表（一个评估标准），以二进制是 / 否检查表的形式对其进行描述。然后，让 GPT-4o 判断每个策略部署是否满足评估标准，并给予奖励。

实验

本文评估了 Compute as Teacher 的两种模式：CaT 和 CaT-RL，实验涵盖三个模型系列：Gemma 3 4B、Qwen 3 4B 和 Llama 3.1 8B。

结果 1：CaT-RL 不仅超越了初始策略，其表现也优于 CaT 方法（图 4）。

结果 2：自拟评分标准（Self-proposed rubrics）在不可验证领域可以作为有效奖励。图 5（左）显示，自拟评分标准的表现优于模型评判，并可与人类专家注释相媲美。

结果 3：基于自拟评分标准的强化学习（CaT-RL）优于监督微调（SFT）。尽管在处理不可验证输出时，SFT 是事实上的默认方法，但在图 5（右）中显示：当奖励来自自拟评分标准时，RL 效果更佳。

结果 4：CaT 比单样本和选择基线模型能产生更好的参考估计。图 6 为在推理时间与其他方案进行了比较，结果表明 CaT 产生的参考估计最强，并且用途最广泛。

结果 5：CaT 会随着 rollout 数量 G 的增加而扩展。图 7（左）显示，在 MATH-500 上，扩展是单调的，而在 HealthBench 上，CaT 在大约 4 次 rollout 后达到平台期。

了解更多内容，请参考原论文。