猫眼电影记者 查德威克 报道w3u7903ejky2ywls

允中 发自 凹非寺量子位 | 公众号 QbitAI

抛弃替代损失函数，仅需优化原始目标， 强化学习新范式来了:

消除critic和reference模型，避免KL散度约束；解决优势函数和梯度估计两个偏差。

来自阿里-高德地图的团队提出了一种相当简单的强化学习训练新方法：组策略梯度优化GPG（Group Policy Gradient）。

GPG开创性地从底层重构强化学习训练框架，仅需优化原始目标，解决已有方法偏差，提高训练效率。革新强化学习训练流程，推动智能体性能突破。

在实验中，GPG在单模态和多模态两类任务中表现遥遥领先，其极简架构与高性能表现，有望成为下一代基础模型训练的关键方法。

以下是更多GPG有关细节。

一、背景介绍

近年来，以OpenAI和DeepSeek R1为代表的LLMs模型表现亮眼，深究成功背后，是强化微调技术（RFT）联合现有强化学习方法（如PPO、GPPO）在激励模型构建严谨的推理链上发挥了关键作用。

但在面对高昂的训练成本与性能平衡，主流方法PPO也陷入巨大瓶颈，与此同时，其他研究团队也在尝试使用ReMax、GRPO等简化训练流程，并在性能上取得了很大的突破，但他们都依然存在一些问题。

研究团队认为，当前针对RL算法的优化都在围绕替代损失函数展开，但两个核心问题始终悬而未决：

1.能否绕过替代策略，直接优化原始目标函数？2.如何最大限度简化学习策略的设计？

由此，团队提出了GPG，其核心创新包括：

直接目标优化：摒弃传统替代损失函数设计，直接优化原始强化学习目标，突破算法效率瓶颈。极简训练架构：无需评论模型和参考模型支持，摆脱分布约束，为模型扩展性提供更大空间。精准梯度估计技术（AGE）：首次揭示现有方法的奖励偏差问题，提出轻量化且高精度的梯度估计方案，显著提升策略稳定性。单模态多模态任务SOTA验证：在数学推理、视觉理解、跨模态推理等任务中，GPG性能全面超越现有方法，验证其通用性与鲁棒性。

二、组策略梯度GPG方法1）方法对比

各种强化学习方法的比较，作者以最简单的形式解释：

下面是GPG方法和已有RL方法各个模块的对比：

2）GPG方法

GPG旨在解决在没有价值模型的情况下，策略梯度估计中的高方差问题。通过利用group-level的奖励，GPG稳定了训练过程并增强了强化学习训练的鲁棒性。

具体而言，GPG利用每个Group内的平均奖励来归一化奖励，从而有效降低方差。这个方法可以移除传统的价值模型，从而简化了训练过程并提高了计算效率。 GPG的名称反映了作者方法核心机制，即利用group-level的平均奖励来稳定和优化学习。

GPG的核心优化目标定义为：

作者提出的GPG方法通过组内优势函数计算梯度校正机制实现了高效稳定的策略优化。在优势函数设计上，采用组内奖励均值归一化方法

3）现有RL方法中的两个bias

优势函数中的bias

组内样本全对全错时，引入梯度估计的bias

针对组内全对/全错样本的梯度估计bias问题，GPG创新性地引入动态梯度校正因子。

实验表明该机制可使模型准确率从43.9%提升至47.8%，显著改善训练稳定性。

三、实验1）在单模态数据集上的结果

2）在多模态数据集上的结果

四、结论

在本文中，作者介绍了GPG，它有效地解决了强化微调方法（如PPO和GRPO）中现有的关键挑战。

通过将基于组内的决策动态直接纳入标准的PG方法，GPG简化了训练过程，并显著减少了计算开销，而不削弱模型效果。这一突破为训练能够进行复杂推理的先进LLM提供了更高效的框架，从而为更具资源效率和可扩展性的人工智能系统做出了贡献。

此外，团队将本文代码全面开源，希望促进技术透明化发展，也鼓励更多人参与到该项工作中来。

论文链接：https://arxiv.org/pdf/2504.02546代码链接：https://github.com/AMAP-ML/GPG

  时事1：龙卷被调教的奶水直流

  05月04日,广东持续开展义务植树活动 民众争做绿美守护者,

毕业班 篇22

,裸体裸乳被扒蜜桃🍑动漫。

  05月04日,国产高端医疗器械，对标世界一流,

　　“不会吧，那个孩子将太古神王后裔的卵给吃掉了？太惊人了！”一个青年的嘴巴张的很大，足能吞下半个拳头。

,FreeGayFuckGV亚洲,恋与深空18禁网站,歪歪漫画免费看❤️入口。

  时事2：小心入视频的

  05月04日,日本大学生在蜀汉遗风中踏梦寻三国,

　　小不点左手那个大人物的手臂被一道雷霆击断了，鲜血淋淋，将他痛醒了过来，怒吼连连。

,吸乳18禁羞羞免费入口,糖心免费版app下载,原神仆人裸身被❌羞羞照片。

  05月04日,国际识局：如果针对尹锡悦的弹劾案通过，会发生什么？,

　　从后方追来的小红鸟张口，喷出一片霞光，带动着滔天神火，孕育出一口赤色仙剑，劈向巨大的凶兽。

,被绑到刑床强扒开腿狂虐的视频,黑料老司机,不打烊,黑料,chinese沟厕嘘嘘voy。

  时事3：杜达雄Gay吊大精浓Gay

  05月04日,第二届“京津冀协同发展杯”公路自行车邀请赛河北大厂开赛,

　　发展社会主义市场经济要求领导干部解放思想，更新观念，冲破保守;构成自强不息、奋发向上、自由民主、平等竞争等新的道德观念。由于法制不健全，道德规范约束力弱化等原因，容易绣发金钱至上，唯利是图等消极道德观念，容易导致领导干部在公务活动中，放弃党性原则，冲破道德堤坝，产生政治关系金钱化、人际交往唯利化、公务活动实用化、权钱关系市场化等行为。这就要求我们在发展社会主义市场经济的过程中，必须加强领导干部的道德建设。

,摸摸大扔子,✅看฿䒽👉1202⒌㏄,胸⋯啊⋯嗯～出奶了黄漫。

  05月04日,关注巴以局势：卡塔尔称各方正寻求结束加沙冲突解决方案,

　　凶禽对方位极为敏感，在高空中盘旋了一圈，很快就朝着一个方向飞去，如一道银色闪电般，速度极快。

,三倍拳交极端欧美,国产做受79高潮,动漫美女的胸被狂揉。

  时事4：极品JK黑色丝袜自慰喷水gif

  05月04日,力高新能IPO难以回避的三大质疑,

手机摄像头销售工作计划 第1篇 一、市场分析 辅材市场近几年蓬勃发展，价格战也逐渐打响，但是市场上配套性的服务体系却没有跟上。随着城市建设的步伐不断加快，装饰行业的也进入了高速增长期，主材市场由于需求量大，关注度高，各种配套性的服务体系正在日趋完善。但辅材市场由于用量小，品牌杂，市场上更是存在这...