PPO 截断目标

PPO (Proximal Policy Optimization, 近端策略优化) 用截断的概率比近似 TRPO 的 KL 信任域,只需一阶优化。概率比 $r_t(\theta) = \frac{\pi_\theta(a_t|s_t)}{\pi_{\theta_{old}}(a_t|s_t)}$(重要性采样权重,衡量新旧策略在该状态动作上的相对概率),截断目标:

推导链: 1. 从策略梯度替代目标 $L^{PG}(\theta) = \mathbb{E}_t[r_t(\theta)\hat{A}_t]$ 出发:无约束最大化会让 $r_t$ 无界增大,单步大更新即导致策略崩溃(TRPO 的问题动机); 2. 加 clip:$r_t$ 越出 $[1-\varepsilon, 1+\varepsilon]$ 后取截断值;再与未截断项取 min —— 更新越界后目标对 $r_t$ 变为常数、梯度为 0,不再激励越界,这就是信任域的 one-line 实现; 3. 数值例($\varepsilon = 0.2$):$\hat{A}_t = +1, r_t = 2$ 时 $\min(2\cdot 1,\; 1.2\cdot 1) = 1.2$,正优势下概率比封顶 $1.2$; $\hat{A}_t = -1, r_t = 0.5$ 时 $\min(-0.5,\; -0.8) = -0.8$,负优势下保底 $0.8$(截断方向相反)。单步概率比漂移被限制在约 $\pm 20\%$,等价于一个小 KL 信任域。

RLHF 第三阶段策略优化(与 KL 惩罚、GAE 搭配)、RLVR/推理强化;OpenAI 默认的通用 RL 算法,连续/离散动作均可,支持大规模分布式训练。

REINFORCE 步长敏感,TRPO 需二阶优化工程复杂。PPO 用 min+clip 把更新“钉”在信任域内,一阶 SGD 即可稳定训练,简单、鲁棒、可复现,成为 RLHF 事实标准。

检验攻克程度：针对「PPO 截断目标」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。