01 详细解释
PPO 需要一个和策略模型差不多大的价值网络来估计「这个回答比平均水平好多少」,显存开销大。GRPO 改成对同一个问题采样一组回答,用组内的相对得分当基线,直接省掉价值网络。
推理模型训练里它很常见,因为数学、代码这类任务的对错可以自动判定,一组答案里谁好谁坏一目了然,不需要额外学一个打分器。
不训价值网络、靠同一问题的一组回答互相比较来更新策略的强化学习方法。
本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正
PPO 需要一个和策略模型差不多大的价值网络来估计「这个回答比平均水平好多少」,显存开销大。GRPO 改成对同一个问题采样一组回答,用组内的相对得分当基线,直接省掉价值网络。
推理模型训练里它很常见,因为数学、代码这类任务的对错可以自动判定,一组答案里谁好谁坏一目了然,不需要额外学一个打分器。
一道题采样 8 个解法,答对得 1 分、错得 0 分,用这 8 个分数归一化后更新模型。
复现推理训练前先确认奖励函数能不能自动判对错,否则 GRPO 的优势发挥不出来。
预训练、对齐、微调、蒸馏各有各的代价。看懂这组词,才能分清「知识量变了」还是「只是更听话了」,也才知道自己的业务该不该做微调。