一、简答

在 SFT 里：目标就是最小化一个明确定义的损失（交叉熵），所以看 loss 本身就能反映学得好不好。

在 RL（PPO/GRPO）里：真正的理论目标是最大化期望 reward，训练时用的是各种 surrogate loss（policy loss+value loss+KL 等）。

这些 loss 的数值受 baseline、归一化、多目标权重等影响很大，和“策略到底好不好”不是一一对应的。

因此我们更关心 reward 的收敛和提升，再辅以 KL/entropy/value loss 做稳定性诊断，而不是盯总 loss。

为什么在 RL 中，看“loss 变小”不保证 reward 一定变好，但是我们依旧可以使用方向传播优化呢？我们还需要 loss 吗？

RL 的 reward 因为下面的原因不可微：

• 不能直接对 RRR 求导（环境、reward model、人类决策都不对 θ 显式可微）
• 里面有采样，路径是离散的

为了反向传播最大化reward，我们必须设计一个可微的目标，这个目标的值可以不和 reward 相同，但是梯度方向是提高 reward 的方向。

在 RL 里，loss 只是一个用来算梯度的工具！我们需要的是可微的 surrogate loss 用来算梯度，不是数值跟 reward 完全一致的 loss。

二、总结

所以：

• loss 变小不一定代表 reward 立刻变好
• 但loss 的梯度仍然能用来做反向传播

它既可以是正的，也可以是负的，正负号本身没有什么性能上的物理意义。

真正要看的，是 reward/win-rate/KL 等指标，loss 只要不爆、不 NaN、梯度方向对，就可以安心训练。

三、如何学习AI大模型？

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓