常用导航 
随笔博客 
技术博客 
资讯博客 
百科博客 
攻略博客 
视图博客 
AI博客
10
微信扫一扫分享扫码后可将此博客详情页发送给好友或朋友圈
Lumine
blog.snowflake.zone
勋章等级:
Lv 5
Lv 5评分明细:当前评分 90 ，近 30 天独立访客 0/30，资料完整度 30/50（站点图标 10/10、博客描述 10/10、关键词 10/10、快照 0/10、Feed 地址 0/10），可访问性 50/50，风险状态 10/10，收录时长 0/10，勋章友链（反链） 0/50，回访评分 0/50
博客描述:
在大语言模型的强化学习中，PPO、GRPO、DAPO、GSPO 和 GEPO 经常被画成一条不断演进的路线。这个说法大体正确，却容易掩盖一个关键事实：它们并非都在修改同一个部件。 PPO → GRPO：主要改变优势（advantage）的估计方式，以同一问题下多个回答的相对奖励取代价值模型； GRPO → DAPO：保留 token 级重要性比率，重点修正采样、裁剪、损失归一化和超长回答的奖励； GRPO → GSPO → GEPO：逐步将重要性权重的统计粒度从 token 提升到 sequence，再提
关 键 词:
标签
收录时间:
缩略图仅在成功获取并验证后缓存；点击快照可查看大图、缩放与旋转；若显示异常请点击“刷新信息”重新尝试