< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
2026-05-17 11:42:11 来源：量子位
先把SFT挖的坑填了！
PRISM团队 投稿
量子位 | 公众号 QbitAI
SFT之后，直接上强化学习就够了吗？
小心，你做的可能不是“训练”，而是“还债”。
在多模态大模型（MLLM）的后训练中，行业内长期遵循着一个看似天经地义的范式：先SFT，再RL，两步到位。
从DeepSeek到Qwen，从GRPO到DAPO，大家拼命优化RL算法的稳定性、采样效率、奖励设计……却几乎没人回头看一眼：
SFT到RL之间，是不是少了点什么？
但来自香港科技大学（广州）、南洋理工大学、清华大学等机构的最新研究Beyond SFT-to-RL(PRISM)给出了一个令人不安的发现：
SFT不仅没有为RL铺好路，反而在悄悄挖坑。
先看一组比较有意思的数据（7个主流多模态benchmark的平均准确率）：
|
阶段 |
Qwen3-VL-4B |
Qwen3-VL-8B |
|
原始Instruct模型 |
59.7% |
63.3% |
|
SFT之后 |
56.8% (-3.0) |
58.1% (-5.2) |
|
SFT → GRPO |
61.8% |
63.3% |
可以看到，SFT之后，模型性能反而下降了。
8B 模型要更为明显一点：SFT掉了5.2个点，辛辛苦苦做完强化学习，才刚刚爬回基线(baseline)的水平（63.3%→58.1%→63.3%）。
也就是说，你的RL可能一直在“还债”，而不是在“提升”。
而且这绝不是个例。
在当下主流的强Instruct模型上（Qwen3-VL等），只要SFT数据带入一个与基座不一致的新分布（比如目前最常见的GPT/Gemini蒸馏数据）几乎都会观察到类似的掉点。
原因很直接：这类基座已经经过大规模、精细的后训练，能力本就处于一个相对稳定的高位。
SFT逼着模型去模仿一套新分布，结果就是用一个更“窄”的分布去覆盖一个更“广”的能力，旧能力被冲掉、新能力又没真正学到。
换句话说，模型越强、越接近实际部署的水平，SFT引入的分布偏移就越成为RL之前一道绕不开的“暗坑”。
这恰恰是PRISM必须存在的理由。
这背后的核心问题，是后训练里早已被反复讨论的分布漂移（Distributional Drift）。
但在多模态场景下，它有一套更隐蔽、也更难治的表现形式。
SFT在多模态场景下，会引入两类容易被忽视的偏差：
SFT的优化目标是在均匀的token级loss下模仿演示轨迹。
它不区分“过程”和“结果”：对模型来说，正确的推理步骤和格式化的模板套话，权重是一样的。
结果就是模型学会了“长得像”正确答案，而不是“想得出”正确答案。 它学到的是表面模式，而非忠实的推理能力。
这是多模态场景特有的麻烦。与纯文本模型不同，多模态模型的漂移不是单一的，而是两种定性不同的失败模式在同时发生：
这两种漂移的成因不同、纠正方式不同，但SFT用同一个token loss把它们一起拟合。
而当RL阶段时，模型已经在感知和推理两端同时偏移，即一个“既看不准、又想不对”的模型。
从GRPO，到DAPO，再到GSPO，RL算法这一段时间确实一直在进步。
但它们解决的是RL阶段内部的问题：采样效率、梯度方差、策略崩溃。没有任何一个RL算法回头去修复SFT留下的分布偏差。
这里举个不太恰当的例子：这里就好比你参加百米短跑，SFT不仅没有让你往前走，反而把你向后推了50米。
现有的RL算法都在研究怎么跑得更快，但起点还在坑里，而PRISM要做的，就是在SFT和RL之间补上这一步，不仅把你拉回起跑线，还顺势往前推一把，让RL只用跑50米就能冲线。
PRISM打破了传统的两阶段范式，提出了SFT → 分布对齐 (PRISM) → RLVR的三阶段流水线。
关键创新在于中间的分布对齐阶段。
感知漂移和推理漂移是两类成因不同的偏差，需要分开处理。
PRISM为此设计了一个混合专家判别器，由两个专门化的专家组成：
最终判别得分为两者的加权组合：
r(x,y) = α · D_v(x,c) + (1-α) · D_r(x,t)
这种设计的好处是提供解耦的纠正信号，避免将两种完全不同的误差模式塞进一个标量里，导致梯度信号变得嘈杂。
PRISM的另一个优雅之处在于：它是黑盒的。
很多蒸馏方法需要访问教师模型的logits（内部概率分布），这意味着你得有教师模型的完整权重。
但在实际场景中，最强的模型往往只提供API，你只能看到输出，看不到内部状态。
PRISM完全在响应级别工作：从强模型（Gemini 3 Flash）采集高质量输出作为正样本，从当前策略采样作为负样本，通过对抗博弈来对齐分布。
只要能调API，就能用PRISM。
传统RL训练通常会加一个KL散度约束，防止策略偏离初始模型太远。但PRISM有意识地去掉了这个约束。
道理很简单，对齐阶段的目的，就是纠正SFT带来的分布偏差。再加一个把策略拉回SFT分布的KL约束，本身就和这个目标相互矛盾。
下图直观地展示了分布的演变过程：从Base到Post-SFT再到Post-Alignment，无论是推理步数还是视觉描述项数的分布，都在逐步向监督数据靠拢：
可以清晰看到：Post-SFT（蓝线）与Supervision（黑线）仍有明显偏差，而Post-Alignment（橙线）则大幅缩小了这一差距，且这种改进在Post-RLVR（绿线）阶段得以保持。
在Qwen3-VL的4B和8B两个规模上，PRISM搭配GRPO/DAPO/GSPO三种主流RL算法，在4个数学推理基准（MathVista、MathVerse、MathVision、WeMath）和3个通用多模态基准（MMMU、MMMU-Pro、HallusionBench）上全面验证了有效性。
下表是论文Table 1的主结果（灰色行为PRISM）：
从主表里能读出几个值得展开的信号：
(1)模型越强，PRISM的增益越大：8B拿到+6.0的平均提升，4B为+4.4，更强的基座被SFT“伤害”得更深，也因此从对齐中受益更多；
(2)PRISM在绝大多数子基准上拿到了同基座下的最佳分数（表中加粗），覆盖数学推理与通用视觉理解两类任务，这意味着对齐带来的不是某个领域的局部增益，而是分布层面的全局校准。
从消融表（论文Table 2）里能直接读出每个组件的贡献：
(1) 去掉SFT阶段直接掉16.8个点，说明SFT作为“冷启动”仍不可替代，PRISM不是要取代SFT，而是修复它带来的副作用；
(2)去掉对齐阶段掉4.4个点，与4B主表的提升幅度完全对应，是分布对齐效果的直接证据；
(3)单个4B判别器替代MoE掉3.4，仅文本判别器掉3.9。
后者尤为有趣：没有视觉感知的判别器只能捕捉表面模式（格式、模板、风格），导致策略学会了“鹦鹉学舌式对齐”，听起来像监督数据，但实际上看不到所描述的内容。
PRISM的出现，给多模态大模型的后训练范式打上了一个“补丁”，但这个补丁可能比主程序还重要。
SFT 和RL之间不是无缝衔接，而是存在一道被长期忽略的分布断层。RL算法再强，如果起点就歪了，跑得越快只会偏得越远。
让多模态大模型在推理任务上再进一步，未必要靠更复杂的RL算法或更多训练数据。
把SFT和RL之间这一步对齐补上，模型自然会跑得更稳。
Arxiv：https://arxiv.org/abs/2604.28123
Github：https://github.com/XIAO4579/PRISM
合作详询：swang886@connect.hkust-gz.edu.cn
版权所有，未经授权不得以任何形式转载及使用，违者必究。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。