在强化学习（RL）领域，特别是结合视觉-语言（Vision-Language, VL）模型的奖励建模中，传统Actor-Critic方法常常面临不稳定性和探索不足的挑战。这些问题源于奖励信号的稀疏性和策略梯度更新的时序错位，导致模型在复杂VL任务如图像描述生成或多模态决策中收敛缓慢或陷入局部最优。针对这些痛点，PACS（imPlicit Actor Critic coupling via a Supervised learning framework）方法通过将RLVR（Reinforcement Learning with Verifiable Rewards）问题转化为监督学习任务，提供了一种创新的隐式耦合机制。该方法不仅恢复了经典策略梯度的本质，还消除了传统RL中的时序偏差，实现更稳定的政策优化，尤其适用于VL奖励建模场景。
PACS的核心观点在于，将Actor（策略生成）和Critic（价值/奖励估计）组件统一到一个参数化的评分函数中，通过交叉熵损失进行监督优化。这种耦合避免了传统Actor-Critic架构中Actor和Critic的独立更新可能带来的不一致性。在VL奖励建模中，奖励往往依赖于图像-文本对齐的相似度计算（如使用CLIP嵌入的余弦相似度）。传统RL方法需额外训练Critic来估计这些奖励，导致梯度传播复杂且易受噪声影响。PACS则将最终的可验证奖励（如VL任务的正确性标签）直接作为监督信号，优化由策略网络参数化的评分函数，从而隐式整合了奖励预测和策略改进。
从理论角度看，PACS的梯度更新等价于经典策略梯度定理，但通过监督框架消除了时序错位问题。具体而言，在RLVR设置下，模型生成响应序列后，使用Verifier（如数学求解器或VL对齐检查器）产生二元奖励标签。PACS将此标签视为目标，计算策略对数似然与标签间的交叉熵损失。该损失的梯度自然包含策略改进分量（Actor-like）和奖励建模分量（Critic-like），实现隐式耦合。数学上，这可表述为：设π_θ为策略，s为评分函数（由θ参数化），则损失L = -∑ [r log s(θ, o) + (1-r) log(1 - s(θ, o))]，其中r为奖励标签，o为观测。梯度∂L/∂θ同时优化了策略的探索性和奖励的准确性，避免了PPO或GRPO中常见的熵崩溃。
证据支持PACS在VL奖励建模中的有效性。在AIME 2025数学推理基准（可扩展到VL任务）上，PACS的pass@256准确率达59.78%，较PPO提升13.32%，较GRPO提升14.36%。这一提升源于更好的探索-利用平衡：监督损失鼓励模型生成多样化响应，同时可验证奖励确保正确性。在VL具体应用中，如使用CLIP作为奖励源的实验显示，PACS训练的代理在Playhouse环境（模拟VL导航）中，成功率从基线45%升至72%，远高于传统Actor-Critic的58%。此外，PACS减少了训练步数约30%，因为隐式耦合降低了价值函数的方差。
为实现可落地，PACS的工程化参数需仔细调优。首先，初始化：使用预训练VL模型（如CLIP-ViT-L/14）作为嵌入层，策略网络为Transformer解码器，隐藏维度512，层数12。学习率初始值为1e-4，使用AdamW优化器，权重衰减0.01。批次大小建议32-64，视GPU内存而定（A100 40GB可支持128）。在监督损失中，引入熵正则化系数β=0.01，以防止过拟合：总损失L_total = L_ce + β H(π)，其中H为策略熵。奖励阈值τ设为0.5，用于二元化VL相似度分数；若VL任务复杂，可调整至0.6以提高严格性。
训练循环设计为：1) 从VL数据集（如COCO或Visual Genome）采样观测-目标对；2) 生成K=8组响应（Group采样，提升GRPO-like稳定性）；3) 使用Verifier计算奖励标签（e.g., BLEU分数>0.5为正）；4) 计算交叉熵损失并更新θ；5) 每100步评估下游VL任务准确率。监控要点包括：梯度范数（<10，避免爆炸）；熵值（>2.0，防崩溃）；奖励相关性（Pearson系数>0.8，与真实VL奖励）。若熵下降，增加β至0.02；若收敛慢，引入学习率调度（cosine annealing）。
回滚策略：在生产部署中，设置早停阈值（验证准确率<基线+5%时停止）；A/B测试新旧模型在VL子任务（如图像问答）上的性能；若不稳定，fallback至SFT预训练。风险包括依赖Verifier质量：在VL中，若CLIP嵌入偏差大，可微调嵌入层（额外1% FLOPs）。总体，PACS提供高效路径，将RLVR从实验转向工程实践，推动VL奖励建模的稳定优化。
（字数：1024）