英伟达：RLP 让 AI 在预训练时就学会思考

英伟达的研究团队刚发布了一个让人眼前一亮的技术：RLP（强化学习预训练）。

传统的大语言模型训练，都是先让模型学会预测下一个词，等到最后阶段才教它推理。这就像先教小孩背单词，等长大了才教他思考。RLP 的思路完全不同——直接在预训练阶段就让模型学会"先想后说"。

先思考，再预测

具体怎么做的？模型在预测每个词之前，会先生成一个内部的"思维链"（Chain-of-Thought）。比如看到"植物、藻类和细菌制造食物"这句话，模型会先想："这个句子描述了植物、藻类和细菌如何制造食物。常识告诉我们这个过程依赖于来自太阳的能量。所以下一个词很可能是'阳光'"。然后再去预测实际的词。

关键在于奖励机制。RLP 通过比较两种情况下的预测准确度来计算奖励：一种是有思维链辅助的预测，另一种是没有思考直接预测（使用 EMA 基线）。如果思考确实提升了预测的对数似然，就给予正向奖励。这种设计巧妙地避免了需要外部验证器，让整个系统可以自我监督。

技术细节上，RLP 有几个精心设计的组件。首先是动态 EMA 基线，使用缓慢更新的指数移动平均作为"不思考"的基线，确保奖励信号的稳定性。其次是位置级信用分配，奖励是逐位置计算的，只要思考改善了预测，就能获得密集的奖励信号。最后是无缝集成，RLP 直接增强了标准的下一词预测目标，可以在大规模文本流上运行。

实验效果：全面碾压

效果相当惊人。研究团队在 Qwen3-1.7B 模型上进行了严格的对比实验：原始基础模型、算力匹配的持续预训练，以及 RLP 模型。结果显示，仅在预训练阶段，RLP 就比基础模型性能提升 19%，比同等算力的持续预训练提升 17%。

更有意思的是，这种优势在后续的 SFT（监督微调）和 RLVR（强化学习验证奖励）阶段不会消失，反而会叠加——最终保持 7-8% 的相对优势。特别值得注意的是，RLP 的提升不局限于数学领域。在科学推理基准测试中，RLP 模型比 CPT 模型高出 3 个绝对百分点，展现了其多步推理能力的通用性。

规模越大，效果越好

规模化实验更是令人印象深刻。在 NEMOTRON-NANO-12B-V2 模型上，研究团队取了一个训练到 19.8 万亿 token 的中间检查点，仅用 2.5 亿 token 进行 RLP 训练。相比之下，基础模型训练了完整的 20 万亿 token。

结果显著，RLP 模型的整体性能从 42.81% 跃升到 61.32%，相对提升 35%。最引人注目的是科学推理能力——绝对值提升了 23 个百分点。这意味着用少 2000 亿 token 的训练量，却达到了更好的效果。

什么数据都能用

RLP 还有个特别实用的优点：不挑数据。研究团队在六种不同类型的语料库上测试，包括 SFT 风格数据、通用目的数据集、学术论文、教科书、网页抓取数据和混合数据。所有数据类型都显示出 7-9% 的一致性提升。

即使在纯粹的网页数据上——这些数据本身并不包含明显的推理任务——RLP 也能从数据的多样性中挖掘出推理信号。这彻底解决了以往强化学习方法需要精心策划推理数据集的问题。

小结

英伟达的这项研究某种程度打破了大模型的训练范式。推理不再是后期添加的功能，而是从一开始就内置的核心能力。模型学会的不是机械地预测下一个词，而是真正地"思考后再说话"。

推理能力可以而且应该从预训练开始培养；不需要专门的推理数据集，普通文本就够了；思维链不只是提示工程技巧，可以成为模型的内在能力；预训练阶段的改进会在后续所有阶段产生复合效应。

这可能是我们距离真正会思考的 AI 又近了一步。

GitHub：https://github.com/NVlabs/RLP

论文：https://github.com/NVlabs/RLP/blob/main/pdf/RLP_Reinforcement