本文深入解析了大语言模型LLM后训练阶段的三种代表性方法GRPO、DAPO和GSPO。针对PPO算法在处理复杂任务和长文本时存在的计算资源消耗、估计不准确等问题GRPO去除了价值模型采用组内相对比较DAPO在GRPO基础上进行了多方面修补提升了训练效率和稳定性GSPO则将优化粒度从Token级提升到序列级特别适合MoE架构更高效、稳定且工程友好。文章通过形象的比喻和公式解析帮助读者理解这些方法的核心思想及演化路径为初学者和程序员提供大模型学习的实用参考。LLM 后训练方法深度解析GRPO · DAPO · GSPO演化路径PPO → GRPO去 Value Model → DAPO精修细节 / GSPO改变粒度从去除 Value Model到精细调优再到序列级范式变革。一、背景为什么需要新的后训练方法在大语言模型LLM的后训练阶段RLHFReinforcement Learning from Human Feedback是让模型与人类偏好对齐的核心技术。长期以来PPOProximal Policy Optimization是 RLHF 的主流算法。然而随着任务复杂度提升和输出文本变长PPO 的矛盾逐渐暴露PPO 依赖一个单独的Value Model价值模型来估计每个状态的好坏这个模型本身需要大量计算资源来训练和维护当输出序列变得很长时Value Model 的估计不准确导致优势估计Advantage Estimation脱离实际训练流程复杂包含策略模型、参考模型、奖励模型、价值模型四个网络系统工程开销巨大这些问题催生了一系列新方法。本文深入解析三种代表性方法GRPOGroup Relative Policy Optimization—— 去掉 Value Model用组内相对比较代替DAPODirect Advantage Policy Optimization—— 在 GRPO 框架内做多处微创手术GSPOGroup Sequence Policy Optimization—— 从 Token 级跳到序列级范式变革二、GRPOGroup Relative Policy Optimization2.1 核心思想GRPO 的核心洞察是既然我们已经为每个 prompt 采样了一组Group回复那么可以用这组回复之间的相对好坏来替代 Value Model 的作用。形象化理解GRPO 的考试比喻想象你是老师给全班出了一道题。PPO 的做法是再请一个助教Value Model逐个评估每个学生的能力然后根据助教的评估来打分。而 GRPO 说不需要助教我直接让每个学生写多份答卷然后比较这些答卷之间的相对好坏就行了。答卷之间互相比较就能知道哪份更好。2.2 优化目标公式GRPO 的训练目标函数如下各符号含义$r_{i,t}(\theta) \frac{\pi_\theta(o_{i,t} \mid q, o_{i,t})}{\pi_{\theta_{old}}(o_{i,t} \mid“” q,“” o_{i,——重要性采样比率Importance Ratio衡量新策略相对旧策略对某个 token 的偏好变化。大于 1 表示新策略更倾向产生该 token小于 1 则相反。——组内相对优势Group Relative Advantage。将每个回复的奖励减去组内均值再除以标准差正值表示比平均水平好负值表示比平均水平差。——裁剪操作将重要性比率限制在 区间内防止策略更新步子过大。通常 。—— KL 散度惩罚项防止新策略偏离参考策略太远。**### 2.3 裁剪机制详解裁剪是 GRPO 稳定训练的关键。它通过min操作和clip操作共同作用确保策略更新不会太激进。根据优势 的正负和重要性比率 的大小共有四种情况情况含义裁剪效果好动作概率已大幅提高✂️ 裁剪生效梯度归零阻止过度强化好动作还有提升空间✅ 梯度正常传播继续鼓励坏动作概率已大幅降低✂️ 裁剪生效阻止过度惩罚坏动作还需继续抑制✅ 梯度正常传播关键要点裁剪不是缓和梯度而是直接将被裁剪 token 的梯度设为零。这意味着该 token 对这次策略更新没有任何贡献。2.4 GRPO 的已知问题尽管 GRPO 设计精巧但理论分析和实践中发现了多个偏差来源基线偏差Baseline Bias使用组内均值作基线时缩放因子应为 而非 导致优势估计存在统计偏差长度偏差Length Bias按回复长度归一化会鼓励正确答案变短、错误答案变长难度偏差Difficulty Bias跨难度差异大的 prompt 做优势归一化导致梯度估计不均衡Token 级方差累积每个 token 独立计算重要性比率方差沿序列长度累积长序列训练不稳定甚至可能导致不可逆的模型崩溃⚠️GRPO 的核心矛盾奖励是序列级别的整体回复的好坏但优化是 Token 级别的逐 token 计算重要性比率。这种粒度不匹配是后续 DAPO 和 GSPO 分别从不同角度试图解决的核心问题。三、DAPODirect Advantage Policy Optimization3.1 核心思想DAPO 可以理解为对 GRPO 的四处微创手术——它保留了 GRPO 的基本框架但在采样、裁剪、梯度计算、奖励塑形四个方面做了针对性修复显著提升了训练效率和稳定性。3.2 优化目标公式与 GRPO 的关键差异在于裁剪范围解耦为上下界、损失函数的归一化方式变化、以及动态采样约束。下面逐一解析四大改进。3.3 改进一Clip-Higher解耦裁剪问题GRPO 的对称裁剪 对低概率但有价值的 token 不公平。形象化理解“马太效应”假设旧策略对 token A 的概率是 0.9裁剪上界为 已经接近概率上限 1.0几乎不会被裁剪。但对 token B旧策略概率只有 0.2裁剪上界为 0.24。即使新策略把 B 的概率提到 0.4一个很好的提升也会被裁掉。这就是富者愈富穷者难翻身。解决方案DAPO 将裁剪的上下界解耦使用更大的上界 如 0.28和较小的下界 如 0.2给低概率但有价值的 token如反思、纠错 token更多的学习空间。3.4 改进二Dynamic Sampling动态采样问题如果某个 prompt 的所有采样回复奖励全为 0 或全为 1组内优势全为零梯度贡献为零等于这些样本白白浪费了。形象化理解“全满分或全零分班级”如果一个班级的学生全部考了满分或全部考了零分那组内相对排名就毫无意义因为每个人都一样。动态采样的解决方案是如果出现这种情况就继续抽取更多答卷直到班里既有对的也有错的这样才有区分度。解决方案强制要求每个 prompt 的采样组中必须同时包含正确和错误的回复。如果不满足继续采样直到满足为止。3.5 改进三Token-Level Gradient LossToken 级梯度损失问题GRPO 先在每个样本内按长度平均再跨样本平均。这导致长回复中每个 token 的梯度权重被稀释。举个例子假设采样了两个回复一个 200 tokens一个 10 tokens。GRPO 下长回复每个 token 的权重是 短回复是 。短回复的 token 影响力是长回复的20 倍。解决方案DAPO 将损失函数的归一化从 GRPO 的改为即按所有样本的总 token 数平均让每个 token 无论来自长还是短回复都有相同的梯度权重。3.6 改进四Overlong Reward Shaping超长奖励塑形问题模型可能生成过长的回复浪费计算资源且可能包含大量重复内容。解决方案设置两个长度阈值超过第一阈值时开始线性惩罚超过第二阈值时惩罚足以抵消正确答案的奖励等价于视这个过长回复为无效3.7 DAPO 的局限性DAPO 的四项改进都是在 Token 级优化框架内的修补。在标准的 Dense 模型上效果显著但在MoE混合专家架构下由于不同推理步骤可能激活不同的专家Token 级重要性比率的差异被放大导致结构性噪声太大DAPO 的改进仍不足以解决。这就引出了 GSPO。四、GSPOGroup Sequence Policy Optimization4.1 核心思想如果说 DAPO 是在 GRPO 框架内的修补那么 GSPO 就是一次范式变革。它的核心洞察是既然奖励是序列级别的整体回复的好坏那么优化目标也应该对齐到序列级别而不是逐 token 拆开。形象化理解“整体评分” vs “逐字评分”想象你是作文老师。GRPO/DAPO 的做法相当于虽然打分是给整篇作文的但训练时却要拆开到每个字去调整。这就好比给一篇作文打了 80 分然后要分配到每个字去告诉学生这个字写得好那个字写得坏——显然很别扭。GSPO 说别拆了直接拿整篇作文来评用整体分数指导整体优化。4.2 优化目标公式其中核心变化在于重要性比率的定义s_i(θ)(π_θ(y_i∣x)π_θ_old(y_i∣x))1/∣y_i∣exp(1∣y_i∣∑_t1∣y_i∣logπ_θ(y_i,t∣x,y_i,t)π_θ_old(y_i,t∣x,y_i,t))s\_i(\theta) \left(\frac{\pi\_\theta(y\_i \mid x)}{\pi\_{\theta\_{old}}(y\_i \mid x)}\right)^{1/|y\_i|} \exp\left(\frac{1}{|y\_i|} \sum\_{t1}^{|y\_i|} \log \frac{\pi\_\theta(y\_{i,t} \mid x, y\_{i,t})}{\pi\_{\theta\_{old}}(y\_{i,t} \mid x, y\_{i,t})}\right)s_i(θ)(π_θ_old(y_i∣x)π_θ(y_i∣x))1/∣y_i∣exp(∣y_i∣1∑_t1∣y_i∣logπ_θ_old(y_i,t∣x,y_i,t)π_θ(y_i,t∣x,y_i,t))“”关键区别GRPOGSPO重要性比率每个 token 独立计算每个 token 有独立权重基于整个序列似然度序列内所有 token 共享同一权重裁剪粒度Token 级裁剪Sequence 级裁剪方差来源不同 token 的比率可能差异巨大方差高通过长度归一化取 $1/4.3 为什么 GSPO 对 MoE 架构特别有效MoEMixture of Experts模型的特点是每次推理只激活部分专家网络。这带来一个问题旧策略和新策略对同一个 token 可能激活了不同的专家导致 Token 级重要性比率波动剧烈。形象化理解MoE 的专家路由抖动想象一个公司有 8 个专家顾问每次处理一个问题只派 2 个去。旧策略可能派了专家 A 和 B新策略可能派了专家 C 和 D。如果我们逐 token 比较两次的概率差异会非常大因为不同专家的风格完全不同。但如果我们看这篇回复整体的概率这些随机波动会在平均中被抹平。在 GSPO 之前解决 MoE GRPO 问题的方法是Routing Replay在旧策略推理时缓存专家激活路径在新策略计算时强制重放相同的路由。这虽然有效但增加了巨大的内存和通信开销且可能限制 MoE 模型的实际容量。GSPO 完全不需要 Routing Replay因为它只关注序列级别的似然度而不敏感于单个 token 的概率波动。4.4 GSPO 的三大优势更高效同等训练成本下性能更优且能随计算量增加持续提升——这正是 Scaling Law 所期望的更稳定序列级比率消除了 Token 级波动的累积效应从根本上减少方差避免训练崩溃工程友好序列级优化对精度差异更宽容可以直接使用推理引擎返回的似然度进行优化无需重新计算对训练-推理分离架构非常友好五、三者对比总览GRPODAPOGSPO提出者DeepSeek (2024)ByteDance (2025)Qwen 团队 (2025)定位基础方法GRPO 的精细改进GRPO 的范式变革优化粒度Token 级Token 级Sequence 级需要 Value Model否否否核心改进点去掉 Value Model组内相对优势估计Clip-Higher动态采样Token 级梯度超长惩罚序列级重要性比率序列级裁剪MoE 支持差需 Routing Replay仍有局限天然适配训练稳定性一般长训练易崩溃较好最优代表模型DeepSeek-R1—Qwen3 系列演化路径去精修细节去改变粒度PPO → GRPO核心突破是去掉 Value Model用组内相对比较代替大幅降低计算开销GRPO → DAPO在 Token 级框架内做精细修补裁剪、采样、梯度、长度提升效率和稳定性但未解决粒度不匹配的根本问题GRPO → GSPO从根本上将优化粒度从 Token 级提升到 Sequence 级对齐奖励与优化的粒度特别适合 MoE 大模型如何选择如果使用Dense 模型且训练规模不大GRPO 已经是很好的起点如果希望在 GRPO 基础上进一步提升稳定性和效率DAPO 的四项改进可以灵活组合使用如果使用MoE 架构、或要进行大规模长时间 RL 训练GSPO 是目前最佳选择最后我在一线科技企业深耕十二载见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势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大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念通过动态追踪大模型开发、数据标注伦理等前沿技术趋势构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。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】**