隨著大模型（LLMs）的快速發展和可集成工具的爆炸增長，AI 智能助手在日常生活中可提供的便利越來越多，不僅包括傳統任務型對話中訂機票、查詢天氣等助理能力，還增加了無以計數的 AI 能力，如 AI 畫圖、解數學題、遊戲攻略等。而 AI 智能助手準確理解用戶的意圖（Intent Detection）並路由至下游工具鏈是實現這些功能的第一步，其重要性不言而喻。
然而，工具的快速迭代、多樣化、工具之間關係的複雜化也給意圖識別帶來新的挑戰，即模型在應對新意圖時普遍存在性能衰減問題。如何在開源的輕量級 LLMs 上訓練泛化性更好、魯棒性更強的意圖識別模型，使得模型能夠更準確理解未見場景的意圖至關重要。
近日，騰訊 PCG 社交線的研究團隊針對這一問題，採用強化學習（RL）訓練方法，通過分組相對策略優化（Group Relative Policy Optimization, GRPO）演算法，結合基於獎勵的課程採樣策略（Reward-based Curriculum Sampling, RCS），將其創新性地應用在意圖識別任務上，顯著提升模型在未知意圖上的泛化能力，攻克了工具爆炸引發的意圖泛化難題，推動大模型在意圖識別任務上達到新高度。
-
論文標題：Improving Generalization in Intent Detection: GRPO with reward-Based Curriculum Sampling
-
論文鏈接：https://www.arxiv.org/abs/2504.13592
基於強化學習的意圖識別
該團隊進行了大量實驗，從不同維度深入剖析了 GRPO 演算法在這一任務上的優勢。該工作的貢獻主要為以下四個方面：
1. 該團隊證明了在意圖檢測問題上，通過強化學習（RL）訓練的模型在泛化能力上顯著優於通過監督微調（SFT）訓練的模型，具體體現在對未見意圖和跨語言能力的泛化性能大幅提升。值得一提的是除了完全新的未見意圖，該工作還比較了對已知意圖進行拆分、合併等實際產品場景會遇到的真實問題。
2. 該團隊通過基於獎勵的課程採樣策略進一步增強了 GRPO 的訓練效果，有效引導模型在訓練過程中聚焦於更具挑戰性的樣例。
3. 在強化學習過程中引入思考（Thought），顯著提升了模型在複雜意圖檢測任務中的泛化能力。這一發現表明，在更具挑戰性的場景中，Thought 對於提升模型的泛化能力至關重要。
4. 該團隊發現，在意圖識別任務中，無論選擇預訓練模型（Pretrain）還是指令微（Instruct）調模型作為基礎，經過相同輪次的 GRPO 訓練後，兩者性能相近。這一結果與傳統訓練經驗有所不同。
訓練方法
獎勵函數
針對強化學習訓練目標，該團隊從格式獎勵和準確率獎勵兩個維度進行引導：
其中
和
分別為各獎勵分量的權重係數。
格式獎勵
：基於提示模板的指令規範，嚴格約束模型輸出格式。
準確率獎勵
：基於意圖檢測準確率的二元獎勵函數，從模型輸出中提取預測意圖
，並與真實標籤
進行精確匹配：
基於獎勵的課程採樣
該團隊採用課程學習的思路分兩步對模型進行訓練。
離線數據分類 該團隊通過離線的方法對所有數據的難度進行了分類。具體過程中先進行一遍完整的 GRPO 方法，記錄每條數據的 reward，根據每條數據的 reward 作為難度得分，如下公式所示：
其中 G 為採樣總數。
課程採樣
在課程學習過程中，第一階段在所有數據上進行訓練直到模型基本收斂；第二階段篩選保留
的數據作為難樣例進行訓練。這一採樣方法幫助模型在第二階段更好的關注容易出錯的難數據。
實驗：RL 能夠幫助模型理解任務而不是模仿任務識別
實驗設置：
-
數據集：該團隊在 TODAssistant（自建中文數據集）和 MultiWOZ2.2（公開英文數據集）兩個基準上開展評測。MultiWOZ2.2 數據集是公開的 TOD 任務數據集，該研究團隊在該數據集上提取出了意圖分類這個任務。
-
模型選取：該團隊選取 Qwen2.5-7B-Instruct 模型作為基座模型，分別對於 SFT 方法和 GRPO 方法訓練相同 epoch 來對比模型性能。
-
評測指標：用正確率評測意圖分類的準確性。
GRPO 方法與 SFT 方法的對比 ：研究團隊首先對比了 SFT 方法和 GRPO 方法。直接使用原始的 GRPO 方法，在意圖識別任務上，模型可以達到與 SFT 相近的性能，在英文的 MultiWOZ2.2 數據集上做到了與 SFT 模型相同的表現，證明了 GRPO 方法在該任務上的有效性。
為了進一步探究 GRPO 的優勢，研究團隊針對模型的泛化性進行了評測。具體來說，在 MultiWOZ 數據集上，在訓練過程中分別去掉測試集中的每個類別；在 TODAssistant 數據集上對原有的類別進行組合和細分操作，獲得新的類別，來驗證模型在該新類別上的準確性；該團隊還測試了模型的跨語言能力（在英文數據集上訓練後的模型在中文測試集上的結果）。 實驗結果表明，GRPO 方法相較於 SFT 方法，有著更好的泛化性能。
RCS 方法實驗結果 ：在此基礎上，研究團隊進一步應用 RCS 方法進行實驗。結果表明，在課程學習的第一階段，模型收斂到與原始 GRPO 方法相近的準確率；在第二階段難樣例篩選過程後，模型的準確率進一步提升。
該團隊在課程學習第二階段的採樣過程中，對於難樣例與正常訓練數據的比例進行了實驗，隨機在其他訓練數據中採樣與難樣例混合共同訓練。結果表明，單獨訓練難樣例取得了最好的效果。
Thought 對於訓練過程的影響 ：研究團隊還探究了在意圖識別這種邏輯較為簡單的任務上 Thought 對於結果的影響。該團隊發現，在這類任務上 Thought 同樣有著關鍵的作用：在 TODAssistant 數據上，Thought 對於泛化能力的提升尤為重要；在 MultiWOZ2.2 數據集上，去掉 Thought 後模型的性能出現了大幅下降。
Pretrain 模型和 Instruct 模型在該任務上的區別 ：研究團隊發現，在意圖識別任務上，選取 Pretrain 模型或者 Instruct 模型作為底座，在經過相同的 epoch 進行 GRPO 訓練後，可以收斂到相近的性能，這與傳統的訓練經驗有所不同。
同時該團隊還發現，instruct 模型在寬鬆格式和嚴格格式獎勵函數下的生成長度均保持穩定。然而，Pretrain 模型在寬鬆格式獎勵下生成長度先下降後上升，而嚴格格式獎勵下則無此趨勢。值得注意的是，這種長度增加並未提供有效信息。這一對比表明，類似 R1 的強化學習訓練會誘導模型通過增加輸出長度來獲取更高獎勵，但在相對簡單的意圖檢測任務中，真正的 「頓悟時刻 」 難以出現。
