LLM后训练太烧钱？清华&腾讯有了破解法门：关键是得会Rollout

TRACE团队 投稿 
量子位 | 公众号 QbitAI

大模型做强化学习后训练，最容易被低估的成本是什么？

在普通数学题里，成本可能主要来自一遍遍生成长链推理答案。

但到了Agentic场景，事情会更麻烦。

模型不只是写答案，而是要一步步思考、调用工具、接收环境反馈，再继续决定下一步做什么。每一次完整交互轨迹，都是一次rollout。

如果任务很长，工具调用很多，环境反馈又复杂，那么rollout预算很快就会变成训练里的硬瓶颈。

更麻烦的是：不是所有rollout都同样有用。

在RLVR（Reinforcement Learning with Verifiable Rewards，可验证奖励强化学习）里，很多训练流程只看最终答案是否正确。成功记为1，失败记为0。这种outcome-only reward很方便，也更容易规模化。

但它有一个老问题：如果一组rollout全对，或者全错，模型其实很难从这组样本里学到“该偏好哪条路径”。

到了多轮Agent任务里，这个问题又被放大了一层。

因为一次rollout里有很多中间步骤：搜索、推理、调用API、读取观察结果。最终奖励只落在整条轨迹末端，前面的每一步都被同一个终局奖励覆盖。这样一来，训练信号就很稀疏，信用分配也很粗。

针对这个问题，来自清华大学和腾讯混元团队的研究者提出了TRACE（Tree Rollout Allocation for Contrastive Exploration），一个面向Agentic RLVR的统一rollout预算分配框架。

一句话概括：TRACE不再把rollout预算平均撒到每个prompt上，也不只在prompt层面挑题，而是把Agent轨迹看成一棵树，主动把预算分配给那些最可能产生“成功/失败对比”的prompt根节点和中间前缀节点。

实验显示，在数学推理、多跳问答、函数调用三类多轮Agentic任务上，TRACE在相同rollout预算下稳定超过GRPO、PCL和随机树分支TreePO。比如在Qwen3-14B的Multi-Hop QA上，TRACE将平均准确率从GRPO的51.2提升到54.0，提升2.8个点；在Qwen3-8B的DeepScaler数学任务上，TRACE将有效样本比例从GRPO的26.8%提升到60.6%。

RLVR的问题，不只是“样本少”，而是“对比少”

先从RLVR里最常见的一类训练信号说起。

一个prompt给模型，模型生成多条回答。答案能自动验证，就给每条回答一个最终奖励。

如果有的回答对、有的回答错，那么这组样本就很有价值。因为模型可以比较：在同一个问题下面，哪些轨迹更值得强化，哪些轨迹应该被压低。

但如果一组回答全部正确，或者全部错误，事情就不一样了。

从奖励分布看，这组样本没有方差。对GRPO这类组内相对优化方法来说，它很难提供有效的偏好信号。

这也是很多RLVR论文反复遇到的问题：太简单的题，模型全答对；太难的题，模型全答错。两种情况都会消耗rollout，但训练信号并不强。

过去很多工作主要在prompt层面处理这个问题。

比如筛掉太简单或太难的题，只保留成功率处在中间区域的prompt；或者给不同prompt分配不同数量的rollout。

这个方向当然有用，但在Agentic任务里还不够。

因为Agent不是一次性吐出完整答案。它会经历多轮thought-action-observation：先想一步，做一个动作，拿到环境反馈，然后再想下一步。

论文把第t轮交互写成：

其中τt是思考，at是动作，ot是环境观察。

到第t步为止，模型看到的历史是：

这里的x就是原始prompt。

也就是说，prompt只是树的根节点；每一个中间历史Ht，都可以看成一个可以继续分叉的前缀节点。

这就引出了TRACE的核心问题：

既然中间前缀也会决定后续成败，那么rollout预算为什么只能在prompt层面分配？

△TRACE的核心直觉：在固定rollout预算下，平均采样会产生较弱的outcome contrast；把预算转向更可能出现成功/失败分歧的根节点和前缀节点，可以形成更强的训练信号

TRACE想做的事：把outcome reward变成更多局部对比

在outcome-only RLVR里，最终奖励只有一个。

但如果两条轨迹共享同一个前缀，只是在某一步之后走向不同分支，最后一个成功、一个失败，那么它们就天然构成了一个局部对比。

这比单独看一条完整轨迹有用得多。

因为它告诉模型：在同一个历史状态下，后续某些决策更可能导向成功，另一些决策更可能导向失败。

TRACE的想法就是围绕这个“对比”展开。

它会估计一个历史前缀Ht后续成功的概率：

直观理解，这就是：给定当前走到的状态，从这里继续往下走，最终成功的概率是多少。

• 如果接近0，说明从这里往下几乎都会失败。
• 如果接近1，说明从这里往下几乎都会成功。

这两种情况都不太能制造对比。

真正值得继续探索的，是那些成功概率处在中间区域的节点。因为它们更可能在后续分支中同时出现成功和失败。

论文把这种思路概括为mixed-reward contrast allocation（混合奖励对比分配）：rollout预算应该优先给那些后代轨迹更可能出现混合终局奖励的锚点。

这里的锚点有两类。

一类是prompt根节点。

另一类是rollout过程中已经访问过的中间前缀。

△论文的对比分配诊断：很多根节点和前缀节点的经验成功率接近0或1，真正有对比潜力的节点只占一部分；按对比价值排序后，少量高价值锚点能覆盖更多有效pair contrast

Stage 1：先在prompt根节点上分配预算

TRACE的第一步，是在一个候选prompt batch里决定：哪些prompt跳过，哪些prompt多采样。

设第i个prompt的预测成功概率为vi，如果给它分配m条根rollout，那么这m条rollout同时包含成功和失败的概率可以写成：

这个式子很好理解。

表示m条rollout全部成功；表示m条rollout全部失败。

两者都不是我们最想要的情况。

所以用，就能表示“这组rollout里既有成功也有失败”的概率。

在TRACE里，每个prompt的分配数量属于：

这里有个细节：TRACE不给单个prompt分配1条rollout。

原因也很直接。只有一条轨迹时，本身没法形成组内对比。要么跳过这个prompt，要么至少给它1条rollout，让它有机会出现成功/失败差异。

所以Stage 1的作用，可以理解为：在prompt层面先把预算推向更可能产生有效对比的问题。

Stage 2：再到中间前缀上继续分叉

只在prompt层面做预算分配，还是没有完全用上Agent轨迹里的结构。

比如一个Agent已经搜索到了某些证据，或者已经调用过一个函数，接下来可能有几种不同走法。

这时候，继续从原始prompt重新采样不一定最划算。更直接的做法，是从当前前缀继续分叉，看看不同continuation会不会走向不同结果。

这就是TRACE的第二步：local prefix expansion（局部前缀扩展）。

假设某条原始rollout的最终奖励是，某个中间前缀是。如果从这里额外采k条continuation，TRACE使用的前缀价值是：

这个公式看着长，但意思不复杂。

如果原来的事实分支是成功的，TRACE希望额外分支里至少出现一次失败。

如果原来的事实分支是失败的，TRACE希望额外分支里至少出现一次成功。

也就是说，Stage 2不是为了随便多生成几条continuation，而是为了在同一个前缀下面制造“反事实对比”。

这样，最终奖励虽然仍然只有0/1，但树结构会让奖励变得更像局部偏好信号。

△TRACE框架示意图：共享的prefix value predictor先给prompt根节点和中间前缀打分，再通过全局根分配和局部前缀扩展构造rollouttree，最后用树结构数据更新预测器和策略模型

关键不是换优化器，而是在优化器前面换一种采样方式

TRACE容易被误解成一种新的RL优化器。

但论文里强调得很清楚：TRACE更像是一个上游的rolloutacquisition layer。

也就是说，它决定的是：在训练前，应该去哪里采样、从哪里分叉、哪些节点值得继续花预算。

至于采完以后怎么把这棵树变成梯度，可以接不同的tree-aware policy optimizer。

这点很重要。

GRPO是平铺式采样。PCL会在prompt层面做预测式筛选。TreePO引入树结构，但分支位置还是随机的。

TRACE的差异在于，它把“树上的哪个位置值得分叉”也变成了一个可学习、可分配的问题。

论文里对几类方法做了一个很直观的对比：

换句话说，TRACE不是简单地“多采样”，而是在固定预算下，把采样变成了一个结构化分配问题。

实验设置：数学推理、多跳问答、函数调用

论文把TRACE放在三类多轮任务上测试。

• 第一类是Mathematical Reasoning（数学推理）。

训练数据来自DeepScaler corpus。评测包括AIME24、AMC23、MATH500、MinervaMath、OlympiadBench，以及分布外的MMLU-Pro、ARC-c、GPQA-diamond。

• 第二类是Multi-Hop QA（多跳问答）。

训练使用HotpotQA，评测覆盖HotpotQA、2WikiMultiHopQA、MuSiQue和Bamboogle。这个设置里还接入了本地E5检索服务器和Wikipedia dump，因此更接近典型的检索型Agent任务。

• 第三类是Function Calling（函数调用）。

训练使用BFCL v4 multi-turn split的80%，评测使用剩余20%，并覆盖base、long-context、missing-function、missing-parameter等子集。

主实验使用Qwen3-8B和Qwen3-14B作为策略模型。附录中还额外测试了Llama-3.2-3B-Instruct。

对比方法主要包括：

• ReAct：不做RL微调，只在相同Agent工具框架下评测基础模型；
• GRPO：prompt层面随机采样的基础RLVR方法；
• PCL：基于prompt难度预测的主动筛选方法；
• TreePO：使用树结构rollout和tree-aware update，但分支位置随机；
• TRACE：同时学习根节点分配和前缀分支分配。

论文强调，所有方法使用相同rollout预算口径，所以性能差异主要来自预算分配，而不是额外多拿了样本。

主结果：同样预算下，TRACE的曲线整体更高

先看训练过程中的准确率曲线。

△Qwen3-8B与Qwen3-14B在DeepScaler、HotpotQA、BFCL三类任务上的训练曲线。紫色曲线为TRACE，在相同rollout预算下整体高于GRPO、PCL和TreePO

从曲线看，TRACE在三类任务和两种模型规模上都更稳。

数学推理上，Qwen3-8B的分布内平均分从GRPO的70.0提升到TRACE的71.1；Qwen3-14B从73.5提升到74.9。

多跳问答上，Qwen3-8B的平均分从GRPO的48.5提升到TRACE的50.6；Qwen3-14B从51.2提升到54.0。

函数调用上，Qwen3-8B的平均成功率从GRPO的43.5提升到TRACE的46.2；Qwen3-14B从46.1提升到48.0。

更值得注意的是TreePO对比。

TreePO和TRACE都使用树结构rollout，也都能做tree-aware update。区别在于，TreePO的树分支是随机的，TRACE的树分支是预测式分配的。

结果上，TRACE仍然超过TreePO。这说明增益不只是来自“有一棵树”，更来自“知道树上哪里值得继续分叉”。

详细结果：三个任务上都不是单点提升

论文在附录里给出了完整benchmark表格。

数学推理部分，TRACE在分布内和分布外平均分上都优于其他方法。

在Multi-Hop QA和Function Calling上，TRACE也保持了平均分优势。

这些结果里有一个细节：TRACE并不是每个单项都第一。

比如Qwen3-8B数学任务中，AIME24和AMC23的最高值并不都来自TRACE。

但TRACE在平均分上更稳，说明它提升的不是某个benchmark的偶然波动，而是整体训练效率和采样质量。

为什么能提升：有效样本比例明显更高

只看准确率，还不能完全说明TRACE在做什么。

更关键的是effective ratio，也就是训练中真正形成成功/失败对比的样本比例。

△有效样本比例曲线。TRACE在三类任务和两种模型规模下都更容易构造出非退化奖励组，因此每单位rollout更容易变成有效更新信号

DeepScaler数学任务上，TRACE的提升非常明显。

在Qwen3-8B上，GRPO的平均有效样本比例是26.8%，TRACE提升到60.6%。

在Qwen3-14B上，GRPO是34.7%，TRACE提升到59.7%。

这说明TRACE的核心收益确实来自“对比构造”。

同样数量的rollout，GRPO更可能浪费在全对或全错的组里；TRACE则更倾向于把预算推到尚未饱和、仍有分歧空间的位置。

这也是它在Agentic RLVR里有现实意义的地方。

随着Agent任务越来越长，单纯多采样会越来越贵。比起生成更多轨迹，更重要的可能是：让已有预算更频繁地打到有效信号上。

消融实验：根节点分配和前缀分配都不能少

为了验证TRACE的两个阶段是不是都有用，论文做了消融。

实验对象是Qwen3-8B的Multi-Hop QA（HotpotQA）。研究者把Stage 1或Stage 2分别换成uniform allocation，看准确率和有效样本比例的变化。

结果很清楚。

只做根节点分配，能把有效样本比例从42.8拉到49.1。

只做前缀分配，也能把准确率拉到50.0，有效样本比例到47.3。

但两者叠加之后，准确率和有效样本比例都最高。

这说明Agentic RLVR的预算分配不是一个单层问题。

prompt重要，轨迹中间的前缀也重要。

预算形状也重要：不是rollout总数越多越好

论文还做了一个很有意思的预算敏感性实验。

在TRACE的设置里，根预算是M，扩展因子是N，期望rollout预算可写成：

M(1+N/2)

也就是说，(M,N)=(512,6)和(1024,2)的总预算都是2048，但一个更偏向深挖少量根节点，另一个更偏向覆盖更多根节点。

实验结果如下：

TRACE在每个预算设置下都优于随机TreePO。

但更有意思的是，两个同样总预算为2048的设置里，(1024,2)比(512,6)更强。

这说明rollout效率不只取决于总数，还取决于预算形状。

对于HotpotQA这样的多跳问答任务，更广的根节点覆盖，可能比在少量prompt上更深地继续分叉更有价值。

预测器能不能真的学到“哪里有对比”？

TRACE依赖一个shared predictor来估计根节点和前缀节点的成功概率。

如果这个预测器只是随机猜，那整个预算分配就站不住。

论文因此额外报告了prompt-level和prefix-level的Spearman相关性。

△Prompt-level预测质量：预测的prompt难度与经验成功率之间存在可用的排序相关性

△Prefix-level预测质量：同一个预测器也能迁移到中间前缀，说明历史前缀里确实包含可学习的局部不确定性信号

这部分结果的意义在于：TRACE并不是只学会了“这道题难不难”。

它还在一定程度上学会了“走到这个中间状态之后，后面还有没有可能分出成败”。

对于Agentic场景，这点很关键。

因为真正的决策往往不发生在prompt输入的那一刻，而发生在中间的工具调用、检索查询、部分推理状态里。

如果模型能识别这些中间状态的分歧潜力，就能把outcome-only reward变成更密集的局部训练信号。

换到Llama-3.2-3B，TRACE仍然有效

除了Qwen3-8B和Qwen3-14B，论文还在Llama-3.2-3B-Instruct上做了额外测试。

任务还是Multi-Hop QA。

△Llama-3.2-3B在Multi-Hop QA上的平均准确率曲线，TRACE继续保持领先

这里的提升幅度更明显。

TRACE的平均分达到32.3，相比GRPO的28.5、TreePO的29.2，都有比较明显的优势。

这说明TRACE不完全依赖某个特定Qwen backbone。

至少在论文的额外实验里，它可以迁移到另一个较小规模的开源模型上。

成本问题：预测器更新很小，但打分路径还可以优化

既然TRACE多了一个预测器和分配器，它会不会把节省下来的rollout成本又花回计算开销里？

论文在HotpotQA上报告了训练时间拆解。

△HotpotQA训练时间拆解。当前实现中，预测器参数更新本身占比不大；较大的额外开销主要来自尚未充分优化的predictor scoring路径

从图里可以看到，predictor update本身不是主要成本。

真正值得继续优化的是predictor scoring，也就是给大量根节点和前缀节点打分的路径。

论文也没有把TRACE包装成一个完全没有代价的方法。

它更像是在说：当rollout本身非常贵时，花一部分计算去判断哪里更值得rollout，可能是划算的。

尤其在长程Agent任务里，这个判断会越来越重要。

这篇工作的意义：Agentic RLVR需要从“抽多少条”走向“在哪里分叉”

这篇论文最值得关注的地方，不是某一个公式，而是它把Agentic RLVR的采样问题换了一个角度。

过去我们经常问：一个prompt要采几条rollout？

TRACE进一步追问：一条轨迹已经走到中间状态了，接下来应该从哪里继续分叉，才最可能产生有用的训练信号？

在普通RLVR里，prompt是天然的采样单位。

但在多轮Agent任务里，prompt只是起点。真正的信息，往往藏在模型与环境交互之后形成的前缀状态里。

TRACE把这些前缀也纳入预算分配，并用共享预测器估计它们的后续成功概率。

如果一个前缀几乎必然成功，继续分叉价值不大。

如果一个前缀几乎必然失败，继续分叉也很可能浪费。

最值得花预算的，是那些还没有“塌缩”的状态，也就是后续既可能成、也可能败的位置。

从这个角度看，TRACE的目标不是让模型看见更多样本，而是让模型更频繁地看见“有差异的样本”。

这对Agentic RL后训练很现实。

因为未来的Agent任务往往会更长、更开放，也更依赖工具和环境交互。只靠平铺式多采样，成本很容易失控。

当rollout变贵之后，训练效率的关键就不只是“生成多少”，而是“哪些地方值得生成”。

当然，论文也给出了限制。

TRACE主要面向outcome-only RLVR。如果任务没有清晰可验证的终局奖励，那么mixed-outcome contrast这个目标可能需要重新设计。

此外，论文里的预测器还是一个相对基础的实现。更强的预测器、更复杂的非平稳Agent环境，以及更大规模的工具使用场景，都还需要后续验证。

但至少这篇工作已经给出了一个清晰信号：

Agentic RLVR的样本效率优化，正在从“筛prompt”，走向“分配整棵rollout tree”。

论文标题：TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning

论文作者：Heming Zou、Qi Wang、Yun Qu、Yuhang Jiang、Lizhou Cai、Yixiu Mao、Ru Peng、Xin Xu、Weijie Liu、Kai Yang、Saiyong Yang、Xiangyang Ji

主要作者：邹鹤鸣，季向阳教授团队博士，研究范围覆盖大模型高效后训练、持续学习与脑启发智能，致力于提升多轮交互式智能体在RL后训练中的采样–反馈效率与决策信用分配，抑制自演进中的灾难性遗忘，并基于脑启发机制探索更省算力的前沿学习范式。在ICML、NeurIPS、ICLR等国际顶级会议以一作/共一发表多篇论文，工作贯穿算法创新与工程落地全栈优化，目前腾讯混元大模型团队科研实习生。

机构：清华大学自动化系季向阳教授团队、腾讯混元（LLM Departmen，Tencent）

论文地址：https://arxiv.org/pdf/2606.11119v1