本文面向已了解强化学习中策略梯度（policy gradient）、优势函数（advantage）、重要性采样（importance sampling）等概念的读者，重点对大模型强化学习主流算法做一条线的梳理与比较。

强化学习（RL，Reinforcement Learning）已成为大模型后训练必不可少的环节。

本篇将介绍 PPO，GRPO，DAPO，GSPO，SAPO 等大模型主流强化学习算法。

在此之前，我先简短回答几个问题，让大家对强化学习在大模型训练中有更直观、全面的认识：

• 一般情况下，强化学习训练前为何要先进行监督微调（SFT，Supervised Finetuning）？
• 为什么强化学习训练在大模型领域是重要的？

首先，大模型在前期会使用大量文本进行自监督（self-supervised）预训练（文字接龙），这个阶段决定了模型能力的上限，模型在过程掌握大量知识，但缺乏指令遵循能力。

此时，直接进行 RL 训练会导致大部分采样样本没有奖励信号，训练效率低下，为提高训练效率，SFT 训练能快速提升模型指令遵循的能力，提高 RL 阶段的训练效率。SFT 相当于 RL 训练前的 warm start。

这时大家会好奇，既然 SFT 能提升指令遵循能力，为什么不直接使用 SFT 就完事了，非要加入 RL训练呢？

这是因为 SFT 训练大模型容易导致过拟合，以数学推理任务为例，SFT 会直接强迫模型输出分布与标准解题过程一致，这可能导致模型仅学会了 “模仿” 解题过程的输出风格，但没有学会真正的数学解题能力。

另一方面，SFT 训练并非渐进式的，以数学推理任务为例，训练初期，若训练样本中包含难度较高的数学问答样本，模型因推理能力有限，会倾向去 “背题（memorize）” 而非 “理解题目”，这类样本产生的梯度会严重损害模型泛化能力；

反观 RL 训练，使用渐进学习策略，训练样本通过模型采样生成，这能保证训练样本 (prompt + response) 与模型分布间差距不大，模型能理解当前能力所及的题目，而不是去 “背题”。

具象一点说，SFT 更像是老师给学生“灌输”知识，学生能在短时间内学会一套解题套路，但模型尚未将这些知识完全内化成能力。

RL 则更像是学生在老师布置的题库上不断做题、订正和反思：解题方法是模型自己采样出来的，分布始终贴着模型当前能力，从而在“做题—反馈—调整”的循环中，逐步把知识沉淀为真正的能力。

下面我将按照技术发展脉络，依序介绍大模型主流强化学习方法。从最早的 PPO 出发，依次经过 GRPO、DAPO、GSPO，再到最新的 SAPO，每一个方法都在前一代技术的基础上改进与演化。

一、PPO

旧策略采样 + clip 约束的新策略更新

PPO 是经典的强化学习算法，通过旧策略采样轨迹来估计新策略的梯度，这种方法必须保证新、旧策略分布差距不大，否则，估计新策略的梯度会失准，会使用 hard-clipping 技巧，避免新、旧策略分布差距过大。

PPO 公式如下：

PPO 训练流程如下：

1. 采样轨迹（Rollout）：通过模型生成当前批次 prompt 的 response；

2. 奖励计算（Reward）：对生成的 response 进行 sequence-level reward 计算（可通过 Reward model 预测或基于规则的方式计算奖励）；

3. 计算 Value：Value Model 估计每个 response token 的价值（Value），即截止到当前 response token，未来生成完整个 response 的期望奖励回报估计；

4. 计算 token-level advantage：通过 GAE（Generalized Advantage Estimation，算法如下）分配 advantage 给每个 token，形成 token-level 的监督信号；

5. Value Model 梯度更新；

6. 策略梯度更新。

二、GRPO

丢掉 Value Model，通过采样同一 prompt 下的样本组来估计 advantage。

PPO 与 GRPO 的对比，GRPO 舍弃了 Value Model，通过采样来估计 empirical-based advantage，降低资源开销。

PPO 存在以下几点缺点：

需同时训练 Value Model，造成额外计算与资源开销；

Advantage 估计依赖 Value Model，导致训练稳定性受到影响：PPO 的 token-level advantage 估计来自 Value Model 的预测值，因此，Value Model 的训练品质会直接影响 advantage 的准确性。

一旦 Value Model 的估计不稳定，就会使得策略模型训练变得高度不稳定。

GRPO 保留了 KL divergence 项，避免模型因 reward hacking 导致模型崩塌。

三、DAPO

在 GRPO 的框架上，通过不对称 clip、动态采样、token-level loss 等技巧缓解训练效率和稳定性问题。

DAPO 是字节跳动提出针对 GRPO 的一系列改进方法，分为以下几个方面：

1. Clip Higher：GRPO 存在 Entropy Collapse 问题，即训练早期模型输出分布的 Entropy 快速下降，这会抑制模型探索能力（exploration），导致 empirical-based advantage 计算为 0，降低训练效率。

Entropy Collapse 源于 GRPO 的 clip 设计：

2. Dynamic Sampling：GRPO 存在训练效率低的问题，主要原因是模型看到太简单（全对）或太难（全错）的样本，以至于采样出来的轨迹 advantage 全为 0，没有策略梯度，因此，训练过程会滤除全对或全错的样本。

3. Token-Level Policy Gradient Loss：GRPO 训练会将 sequence-level advantage 平均分配给每个 response token。

这导致长推理序列中，每个 response token 被分配到的 advantage 相当少，策略梯度强度非常弱。

因此，论文提出Token-Level Policy Gradient Loss，让同个 mini-batch 内，每个 response token 的 advantage 权重相同。

4. Overlong Reward Shaping：传统方法会将过长的 response 截断，这些被截断的样本也会参与到奖励计算，造成 reward noise，导致训练不稳定。

通过超长过滤策略（Overlong Filtering），对被截断的样本进行 loss 屏蔽，提高训练稳定性。

另外，为避免模型生成过长的 response，会在原有奖励基础上，加入 length-aware penalty（公式如下），惩罚长度过长的样本：

Qwen2.5-32B 模型微调后在 AIME 测试集上准确率，以及在 RL 训练过程中【采用/未采用】Clip-Higher 策略时，模型生成概率的 entropy 变化。

Qwen2.5-32B 模型微调后在 AIME 测试集上准确率，以及其生成概率的 entropy 变化，对比【采用/未采用】Overlong Reward Shaping 策略的情况。

【采用/未采用】Dynamic Sampling 策略的对比。

四、GSPO

把 importance ratio 提升到 sequence 级别，在 MoE 模型上能明显提升稳定性

GSPO 是阿里巴巴提出针对 GRPO 训练不稳定且效率低的改善方法，GSPO 将 token 级别的 advantage 与 importance ratio 改为 sequence 级别。

GSPO 中，sequence-level important ratio 定义为：

目标函数为：

下面简短说明 GSPO 为什么比 GRPO 更有优势：

1. 梯度更稳定：GRPO 与 GSPO 的策略梯度公式如下，可以明显看到，GRPO 的策略梯度方向受到了 importance ratio 的扭曲，这会影响策略梯度更新的稳定性与效率。

反观 GSPO 每个 token 的策略梯度权重相等，importance ratio 仅决定策略梯度的强弱，不决定方向。

2. MOE 训练更稳定：MoE 模型训练难度大，每次策略梯度更新都可能改变激活的专家，从而导致同个序列的 token-level importance ratio 出现剧烈震荡，阻碍模型有效收敛。

论文以微调 Qwen3-30B-A3B-Base 为例，每次策略梯度更新平均会激活约 10% 的新专家。

GSPO 通过约束 sequence-level importance ratio，在 MoE 训练会更具优势，因为后训练阶段，MoE 的每个专家都具备一定的语言建模能力。

这保证了即使 token-level importance ratio 波动剧烈，整体的 sequence-level importance ratio 仍能保持相对稳定，因此 GSPO 更有利于MoE 模型训练的效率与稳定性。

由 Qwen3-30B-A3B-Base 冷启动微调所得模型的训练曲线。 GSPO 的训练效率明显高于 GRPO。

五、SAPO

用 soft gate 代替硬 clip，在 GSPO 与 GRPO 之间连续平滑过渡，兼顾稳定性与效率。

SAPO 对 GSPO 做了进一步优化，GSPO 使用 sequence-level hard-clipping 机制。

这导致部分序列因 sequence-level importance ratio 过大，而被 clip 掉，以致整条序列的策略梯度为 0，影响训练效率。

SAPO 将 hard-clipping 改为 soft gate 函数 f*_*i，t（x），避免了策略梯度为 0 的问题。

SAPO 目标函数为：

SAPO 的策略梯度为：

advantage>0 情况下的比较。左图展示目标函数随 importance ratio 的变化曲线；右图展示对应的梯度权重随 importance ratio 变化的曲线。

总结来说，SAPO 有两个主要创新点：

因此，SAPO 同时具有 sequence-level 与 token-level 特性。

在 (A1)–(A2) 条件满足时，其目标函数与 GSPO 相近；而在条件不满足时，其行为退化为 GRPO。

同时，SAPO 通过 soft gate 在on-policy 与 off-policy 策略间进行连续化的权重调整，以避免硬式切换造成的非平滑策略梯度，从而增强整个优化过程的稳定性。

对 Qwen3-30BA3B-Base 模型进行不同 RL 方法下的训练与验证表现。 SAPO 的学习过程始终稳定，最终性能也更高；相比之下，GSPO 与 GRPO-R2 都在训练早期出现崩塌现象。

六、总结

PPO，GRPO，DAPO，GSPO，SAPO 可以视作一条面向大模型强化学习微调的算法演进链：

• PPO 作为经典强化学习算法，在旧策略采样、clip 约束小步更新的框架下，让大模型可以稳定做策略梯度；
• GRPO 通过同一 prompt 下的样本组来估计 empirical advantage，省去了 Value Model 的训练开销；
• DAPO 在 GRPO 的基础上加入不对称 clip、动态采样、token-level policy loss 与长度奖励等技术，显著提升长推理序列的训练效率与稳定性；
• GSPO 将 importance ratio 与 advantage 提升到 sequence 级别，缓解 MoE 等大模型训练中 token-level importance ratio 剧烈波动带来的不稳定；
• 在此之上，SAPO 以 soft gate 取代 hard-clipping，并通过正负 advantage 不同温度，在 sequence-level 与 token-level、on-policy 与 off-policy 之间实现自适应折中，兼顾了训练稳定性与效率。

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。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】🆓**

​