文章主要内容和创新点主要内容本文聚焦于多模态大语言模型（MLLM）强化学习（RL）训练中的效率问题，提出了一个名为Shuffle-R1的框架。研究发现，当前RL训练存在两个关键缺陷：优势值坍缩（Advantage Collapsing）：批次中大多数优势值集中在零附近，导致有效梯度信号被淹没；轨迹沉默（Rollout Silencing）：随着训练进行，贡献非零梯度的轨迹比例持续下降，造成数据利用率低。为解决这些问题，Shuffle-R1引入两个核心模块：成对轨迹采样（Pairwise Trajectory Sampling）：从扩展的轨迹池中选择具有大优势值对比度的轨迹对（如最大优势值与最小优势值配对），增强梯度信号质量；基于优势的批次重排（Advantage-based Batch Shuffle）：通过按优势值权重动态重排训练批次，增加有价值轨迹的曝光率，提升数据利用率。实验表明，Shuffle-R1在多个推理基准（如MathVerse、MathVista）上持续优于主流RL基线方法，甚至在部分任务上超越GPT-4o和Claude-3.7，且仅需一半训练步骤即可达到与GRPO相当的性能。创新点揭示了MLLM的RL微调中两个未被充分研究的效率瓶颈：优势值坍缩和轨迹沉默；
文章主要内容和创新点主要内容本文聚焦于多模态大语言模型（MLLM）强化学习（RL）训练中的效率问题，提出了一个名为Shuffle-R1的框架。研究发现，当前RL训练存在两个关键缺陷：优势值坍缩（Advantage Collapsing）：批次中大多数优势值集中在零附近，导致有效梯度信号被淹没；轨迹沉默（Rollout Silencing）：随着训练进行，贡献非零梯度的轨迹比例持续下降，造成数据利用率低。为解决这些问题，Shuffle-R1引入两个核心模块：成对轨迹采样（Pairwise Trajectory Sampling）：从扩展的轨迹池中选择具有大优势值对比度的轨迹对（如最大优势值与最小优势值配对），增强梯度信号质量；基于优势的批次重排（Advantage-based Batch Shuffle）：通过按优势值权重动态重排训练批次，增加有价值轨迹的曝光率，提升数据利用率。实验表明，Shuffle-R1在多个推理基准（如MathVerse、MathVista）上持续优于主流RL基线方法，甚至在部分任务上超越GPT-4o和Claude-3.7，且仅需一半训练步骤即可达到与GRPO相当的性能。创新点揭示了MLLM的RL微调中两个未被充分研究的效率瓶颈：优势值坍缩和轨迹沉默；
优化到O(n log n))
