DeepMind研究揭示LLM决策困境：贪婪、频率偏差和知行脱节。强化学习微调（RLFT）能有效提升LLM决策能力。
原文标题：谷歌DeepMind：大模型也很任性，知道最优路径偏要撞南墙
原文作者：机器之心
冷月清谈：
怜星夜思：
2、文章提到了“知 - 行差距”，那在现实生活中，你有没有遇到过类似的“知行不合一”的经历？你是如何解决的？
3、文章中指出了LLM的“频率偏差”问题，那除了文中提到的方法，你认为还有什么方法可以缓解或避免LLM的“频率偏差”？
原文内容
编辑：陈萍
该研究对 LLM 常见的失败模式贪婪性、频率偏差和知 - 行差距，进行了深入研究。
大语言模型（LLMs）的成功激发了人们对各种智能体的兴趣。将 LLM 用于智能体的一个关键假设是，LLMs 利用常识和思维链（Chain-of-Thought, CoT）进行推理，从而智能体可以有效地探索并高效地解决复杂领域的问题。
然而，LLM 智能体存在次优探索和知 - 行差距（knowing-doing gap）的问题，即无法有效地将模型中的知识转化为行动。
本文，来自谷歌 DeepMind 的研究者系统地研究了为什么 LLM 在决策场景中表现次优的原因。特别是，本文深入研究了三种常见的失败模式：贪婪性、频率偏差和知 - 行差距。
在此基础上，本文提出通过强化学习对自动生成的 CoT 推理过程进行微调，以缓解这些不足。实验表明 RL 微调能有效提升 LLMs 的决策能力 —— 既增强了智能体探索性行为，又缩小了知 - 行差距。
-
论文标题： LLMs are Greedy Agents: Effects of RL Fine-tuning on Decision-Making Abilities
-
论文地址：https://www.alphaxiv.org/abs/2504.16078
方法介绍
本文系统性地分析了中小规模 LLMs 存在的三种典型缺陷：贪婪性策略、频率偏差以及知行差距。分析表明，由于 LLMs 过早陷入贪婪动作选择策略，导致动作覆盖率停滞（最高达 55% 未探索），最终性能持续低于最优水平。
具体而言，本文发现小规模 LLMs（2B）倾向于机械复制上下文中的高频动作（无视其奖励差异），这种现象被定义为频率偏差。
相比之下，大规模 LLMs（27B）虽能显著减弱频率偏差，但依旧维持贪婪行为。
同样值得注意的是，本文通过量化知 - 行差距发现：LLMs 虽能正确理解任务要求，却因执着于贪婪动作而无法有效执行所知方案。
为克服这些缺陷，本文提出在自动生成思维链（CoT）推理的基础上进行强化学习微调方法（RLFT）。
RLFT 方法依赖于从环境交互中获得的奖励，对自生成的 CoT 原理进行微调。在 RLFT 过程中，模型会学习迭代地优化其推理过程，从而倾向于选择能够带来更高奖励的 CoT 模式和动作（参见图 1）。本文方法更专注于决策场景。
上下文表示：在步骤 t 时，输入 Token 包括输入指令
，输出指令
和最近的交互历史
。历史表示包含最近 C 个状态、动作和奖励的轨迹
。
微调目标：本文使用 Schulman 等人引入的裁剪目标进行微调，并对参考策略
进行额外的 KL 约束：
实验结果
比较模型：实验比较了 Gemma2 模型的三种尺寸大小：2B、9B 和 27B 。
环境：多臂老虎机（MAB，Multi-Armed Bandit）以及井字棋游戏。
为什么 LLM 在决策方面表现不佳？
先前的研究发现，LLM 智能体在交互环境中表现欠佳，且探索不足。因此，本文首先研究模型表现欠佳的原因，并确定了三种常见的故障模式：(1) 贪婪，(2) 频率偏差，以及 (3) 知 - 行差距。发现三种故障模式在各个模型尺寸上均持续存在。
贪婪是第一个也是最普遍的故障模式，其特征是 LLM 过度偏向于迄今为止看到的一小部分操作中表现最佳的操作。为了说明这种故障模式，本文展示了 Gemma2 2B/9B/27B 在启用和禁用 CoT 的情况下，在 64 个 MAB（包含 10 个和 20 个分支）上，并且在 50 个交互步骤中实现的平均操作覆盖率（见图 3 a 和 b）。
结果显示模型过早地采用贪婪策略，导致动作覆盖率在 10 步之后停滞不前。增加分支数量会使贪婪更加明显，最大的模型仅覆盖了所有动作的 45%。因此，尽管这些模型比随机智能体有显著改进（参见图 3c），但与 UCB （ Upper-confidence Bound ）相比，遗憾值仍然很高。
本文探索的下一个常见故障模式是频率偏差，其特点是模型重复选择上下文中出现频率最高的动作，即使该动作的奖励很低。
结果显示，Gemma2 2B 严重受到重复动作的影响，随着重复次数的增加，熵值不断降低（见图 4a）。相反，27B 模型摆脱了频率偏差（见图 4c）。事实上，对于 2B 来说，频率偏差随着重复次数的增加而不断增加。虽然 27B 摆脱了频率偏差，但它严重受到贪婪的影响。
知 - 行差距。智能体清楚地知道如何解决任务，所有推理中有 87% 是正确的（见图 5）。然而，即使对于正确计算的推理，模型也经常会选择贪婪动作（58%）而不是最优动作（21%）。这种差异凸显了 LLM 在了解算法的情况下采取行动不一的缺陷。
RL 微调的有效性
接下来，本文研究 RLFT 对累积遗憾的影响（相对于最优策略），以及它是否能缓解这些故障模式。
结果显示 RLFT 降低了遗憾值。在各种环境中，LLM 的表现明显优于随机基线，并且 RLFT 降低了 2B 和 9B 的遗憾值。
此外，RLFT 可缓解贪婪性，通过 RLFT，智能体学会了探索，从而缓解了贪婪性。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：[email protected]