猫眼电影记者 潘桂串 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：绝区零妮可被吃乳头

  05月02日,浙江安吉获联合国“生物多样性魅力城市”称号,

　　“够了，都去吧，我只看结果。”管事挥手，将这些人打法走。

,果冻传媒HDⅩXXXXX。

  05月02日,北美票房：《毒液：最后一舞》助北美周末票房止跌回升,

　　“族长你刚才不是说要放走这个娃儿吗？”

,免费网站无码秘白丝视频笔趣阁,91精品㊙️入口福利漫画,捆绑草草18调教女仆。

  时事2：自由管剪辑中国的

  05月02日,助力学子暑期游香港 “校园行 飞香港”首场活动走进清华大学,

在村干部培训班上的讲话 篇25

,王一博3天征服阳朔001号平台,舒淇演三㚫A片玉蒲团,女攻peggingAV网站国产。

  05月02日,锚定现代化 改革再深化丨中铁工业“五位一体”赋能“产改”走深走实,

　　相隔很远，还有两三里地，四大族就停了下来，不肯再前进，他们攀上崖壁，登上高地，占据有利地形，俯视那片村落。

,女同学被❌到爽🔞流片森林小说,国产⭐浪潮AV果冻传媒视频老牛,斗破美杜莎3dmax动漫。

  时事3：giantess18XXXX video

  05月02日,山东创新金融助农方式 助力黄河沿岸产业兴、生态美,

　　5、广泛开展争先创优活动

,日韩欧美一级人妻潮喷Av一级,肉丝到爽🔞高潮痉挛,国产睡熟迷奷系列精品。

  05月02日,巴西华社“慈善+” 纪念“蒂拉登特斯日”,

　　石毅重瞳发光，伏在宗老的背上，冷漠的盯着战场中那个如同黄金战神般的身影，小小年纪，眸光却令人心悸。

,雪帝被肉干高H潮文不断的APP,丝袜人妻熟女XXXXX网站,人与野鲁❌h与鲁拍拍。

  时事4：九九九黑客破解家庭网络

  05月02日,各地开展122全国交通安全日主题活动,

　　小不点眼睛都红了，竭尽全力阻挡，祭出那轮银月，横扫四方铁箭，守护太古魔禽后裔。

,揉我胸啊嗯出水了h,张柏芝给陈冠希吹哨视频大全,卡芙卡被扒开腿狂❌动漫。

  05月02日,“With东城”亮相HICOOL2024全球创业者峰会释放“东城引力”,

　　半个月后，小不点离开石村已经有二十万里了，这头独角兽速度极快，比一般的同类要强上不少，距离古国边疆还有十万里左右。

,女同又爽❌又黄❌漫画,18may19_XXXXXL56edui,爽好大快要尿了18禁。