简介
文章详解PPO算法中KL散度的两种形式：forward KL(mode-covering)和reverse KL(mode-seeking)的数学推导及特性。前者对目标分布小概率事件敏感，后者更关注高概率区域。在大语言模型和生成任务中，反向KL因其生成质量和稳定性更受青睐，是理解PPO算法优化的关键。
关于这点，我看下了主力的几个PPO算法在文中是怎么定义的
PPO：
GRPO:
DAPO:
好像以居多，我也查了下相关论文对这个的描述，论文是https://arxiv.org/pdf/2512.16565，论文提到上图给出了forward kl 和 reverse kl的表达形式
相关参数的介绍如下：
forward kl 和 reverse kl的推导过程如下：
令
也就是 PPO 里的ratio。
那就有：
forward KL定义是：
把 ratio 代进去：
于是：
这就是表里 “forward KL → − log x” 的来源没有近似、没有 heuristic，就是定义。
reverse KL定义是：
但注意： PPO / TRPO 的数据不是从 采的，而是从 。
所以要做importance sampling：
令 ，得到：
于是：
为什么这两种形式“行为完全不同”, 我们分析一下哈.
| KL 类型 | 数学形式 | 行为特性 |
|---|---|---|
| forward KL | 对小概率事件极其敏感 | |
| reverse KL | 对大概率（mode）更敏感 |
forward KL的特性
- 当 ：
- 强烈惩罚新策略漏掉旧策略支持的动作
- mode-covering
reverse KL的特性：
- 当 很大： 爆炸
- 当 ：
- 容忍遗漏小概率动作
- mode-seeking
总结：
正向KL：倾向于使模型分布 Q 覆盖目标分布 P 的所有支持点，适合于需要模型分布更广泛覆盖的情况。
反向KL：倾向于使模型分布 Q 集中在目标分布 P 的高概率区域，适合于生成任务，能够提高生成样本的质量和稳定性。
因此，在大语言模型和生成任务中，反向KL通常更受青睐。
如何学习AI大模型？
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
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】
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。
👉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。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉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】🆓
)
)
