作者：dung defender
https://zhuanlan.zhihu.com/p/1974143141406864151

论文：Retaining by Doing: The Role of On-Policy Data in Mitigating Forgetting
链接：https://arxiv.org/pdf/2510.18874

这篇paper讲的故事很有意思，说是LLM模型在后训练过程中，SFT和RL的方法相比，更加容易导致灾难遗忘。

这里我们明确一下具体使用的SFT方法和RL方法：

SFT方法

用专家模型来采样下游任务的text 轨迹，然后用supervised learning来更新LLM的权重。（注意啊，这里的SFT数据并没有包含原始的pretrain的数据）

RL方法

用GRPO之类的policy optimization方法来优化LLM在下游任务上的performance，具体的loss是一个task reward 加上 目前LLM和原始LLM的分布的KL loss。

作者通过实验发现RL的方法训练的LLM在原始任务上的forget现象较少，但是sft方法导致的原始任务遗忘现象比较明显。

这篇文章用公式分析了很多可能的理论解释。这里我们不推导任何公式，直接从逻辑思考上想一想这个事情。

首先我们要明白SFT和RL的优化方式的区别

SFT相当于一个纯behaviour cloning，给定在下游任务上的一个optimal text 轨迹的分布，我们直接让LLM来学习这个分布，那么当SFT数据的optimal text轨迹并没有cover 原始任务的时候，这样的优化方式必然会导致严重的遗忘问题，这点毫不意外。

打个比方，好比我们学会了骑自行车，现在我们给定了很多开汽车的数据，我们的优化目标是拟合开汽车的数据，那么当然会导致在骑自行车上的能力的退化，因为我们的目标并不包含要保持会骑自行车的能力。

那RL的优化方式区别是什么呢？

RL的优化，相当于让模型自己慢慢探索出来如何从原始任务学会解决下游任务。最关键的一点是RL的优化想要稳定，得要求模型优化的时候的变化要足够小。我们回想一下，为什么PPO加上一个advantage clip效果就会好很多？

RL的本质就是一个sampling based 的优化过程，我们有一个分布，采样得到的轨迹有的reward大，有的reward小，那么我们就增大采reward大的轨迹的概率，减小采reward小的轨迹的概率。这个过程中我们希望模型更新要足够稳健，不能过于激进。

打个比方，比如投资股票，如果看到某只股票突然猛涨或者猛跌就立马追涨杀跌，那么这样的策略大概率是很难稳定的获利的。所以PPO比之前的RL算法效果好的一个最本质的原因就是clip掉了那些有很大reward涨落的轨迹，让模型的优化更加稳定。

所以从这个角度看，RL这个算法天然地就会限制LLM模型后训练之后和之前的差别（更像是分布的锐化，而非参数空间的巨大改变），所以遗忘现象没有普通的sft严重也是很合理的事情了。所以哪怕不推理任何数学公式，我们也可以定性地预测出实验的结论。