清华团队打造TDRM：基于时间差分学习平滑奖励模型

奖励模型（RM）在基于大语言模型（LLM）的强化学习（RL）和推理时验证中都占据核心地位，并已在数学求解、代码生成和指令遵循等任务中展现出卓越性能。

然而，现有奖励模型存在一个关键缺陷——缺乏时间一致性，从而引发了“策略更新效果不佳”和“强化学习训练不稳定”等问题。

具体而言，LLM 推理轨迹中某一步的奖励往往与相邻步骤的奖励无关，导致训练过程中出现不一致、容易误导的信号，且在推理阶段难以提供有效的引导。尤其在长思维链（CoT）场景中，这些问题更为突出——模型在完成一长串推理步骤前无法获得任何奖励，根本难以判断“哪步有用、哪步多余”。

针对这一痛点，清华大学团队联合加州理工学院提出了 TDRM 框架——通过在训练过程中最小化时间差分（TD）来学习更平滑、更可靠的奖励模型。

值得一提的是，所有代码、数据和语言模型检查点均已在 GitHub 上开源。

论文链接：https://arxiv.org/abs/2509.15110

GitHub 地址：https://github.com/THUDM/TDRM

研究结果显示，经过 TD 训练的过程奖励模型（PRM）在 Best-of-N 和树搜索场景中，分别能够取得最高 6.6% 和 23.7% 的性能提升。

更进一步，当与可验证奖励强化学习（RLVR）结合时，经过 TD 训练的过程奖励模型能够实现更高数据效率的强化学习——仅用 2.5k 数据就能达到基线方法需要 50.1k 数据才能达到的相当性能——并在 Qwen2.5-(0.5B, 1.5B)、GLM4-9B-0414、GLM-Z1-9B-0414 等 8 种模型变体上得到更高质量的语言模型策略。

打造更平滑、更可靠的奖励模型

与以往将时间差分用于构建中间奖励信号离线数据集的方法不同，TDRM 采用时间差分学习来构建用于强化学习训练的可靠奖励模型，从而生成更平滑的奖励空间、更密集的奖励信号。

据论文描述，TDRM 框架包含以下三个核心模块：

过程奖励模型：通过 n 步时间差分学习结合奖励塑造训练得到过程奖励模型。
强化学习：在训练好的过程奖励模型的引导下进行在线强化学习，从而优化策略更新。
TDRM 集成：将过程奖励与可验证奖励进行有效的线性组合，并应用于不同策略模型系列和规模的演员-评论家（Actor-Critic）式在线强化学习中。

图｜TDRM 的整体框架示意图

时间差分方法通过利用状态之间的相互依赖关系，能够对策略价值估计进行迭代优化。具体而言，n 步时间差分算法通过整合后续 n 个状态的奖励与价值估计，采用指数衰减因子对未来的奖励进行折扣处理，既能激励玩家及时获取早期奖励，又能平衡短期收益与长期行为后果之间的关系。

1.平滑性

平滑性是推理过程中有效奖励建模的一个重要特性，因为其反映了中间步骤中价值更新的一致性和稳定性，确保推理轨迹的微小变化不会导致价值估计的不成比例的偏差。为评估平滑性，团队采用两种互补方法来对比 ScalarPRM 和 TDRM 的表现。

局部普希茨连续（The local Lipschitz constant）：用于量化奖励对相邻状态变化的敏感度。分析表明，相比于 ScalarPRM（0.3331），TDRM（0.2741）在连续步骤间的平均普希茨连续更小，这表明其奖励过渡更为平滑且时间一致性更好；
TD 误差（TD error）：通过计算连续推理步骤间的 TD 误差，并结合推理步骤间价值差异，从双重维度评估估计值函数的连续性和一致性。

图｜奖励模型的平滑度对比

然而，以往研究表明，CoT 的长度在 LLM 推理过程中并非总是稳定增加。结合以上对奖励平滑度的分析，研究团队认为奖励塑造是稳定这种涌现的长度缩放行为的关键机制。

2.奖励建模

据论文描述，在基于时间差分的 PRM 框架中，奖励塑造具有双重目的：一方面通过提供结构化反馈优化时间差分更新，另一方面缓解不同推理长度下奖励信号的波动性。包括：

余弦奖励（Cosine Reward）：实现了一个基于余弦的奖励函数，以适应每个推理步骤的正确性及其相对长度。它为正确和不正确的步骤分配不同的奖励范围。奖励从最大值开始，随着推理长度接近最大长度而逐渐衰减至最小值。
时间差分：将计算出的余弦奖励与时间差分框架相结合，从而更新过程奖励模型。
TD-λ：相比于 n 步时间差分，TD-λ 是一种具有更高灵活性的在线算法。由于其在线特性，TD-λ 允许过程奖励模型在观察到奖励后立即将信息传播到更早的状态。
损失函数：为优化过程奖励模型，采用交叉熵损失，将钳位后的时间差分目标作为每个推理步骤的软标签，使模型能够从奖励的时间一致性中学习。

3.强化学习

在强化学习方面，研究团队将其设计为在线算法，在训练过程中动态地使用即时（on-the-fly）状态值计算时间差分目标。与依赖预先计算的状态值的离线算法不同，这一方法能够适应不断变化的轨迹，利用已见轨迹来估计未见轨迹的状态值。这种适应性确保了更准确的价值预测，从而增强了奖励模型的一致性和鲁棒性。

图｜算法 TDRM 的处理过程

在 TDRM 中，通过线性组合的方式将可验证奖励和基于过程的奖励相结合，以发挥两者的互补优势。这一组合后的奖励信号被用于训练 GRPO 目标函数，从而提升了学习过程的整体性能和数据效率。

更多技术细节详见论文。

真实效果怎么样？

为验证 TDRM 的有效性，研究团队测试了 TDRM 在推理时验证和训练时在线强化学习两种场景下的性能。

针对推理时验证，通过两种关键设置对比不同奖励模型。Best-of-N 采样法首先生成包含 N 个潜在输出的池，随后应用奖励模型确定单一最佳候选方案，旨在平衡输出结果的多样性与最优性。Greedy Search 通过迭代选择得分最高的序列来生成输出。
针对训练时在线强化学习，在 5 个有挑战性的数据集（MATH-500、Minerva Math、Olympiad Bench、AIME24和AMC23）上，对 TDRM 与主流方法进行对比。参照 SimpleRL 方法，使用 Pass@1 指标结合贪心解码评估最终任务的性能。