本文系统梳理了大模型强化学习算法演进脉络，从经典PPO开始，到GRPO、DAPO、GSPO，再到最新SAPO。详细解析了各算法的核心原理与优化点：PPO的clip约束确保策略稳定更新；GRPO通过采样省去Value Model；DAPO引入不对称clip提升训练效率；GSPO将importance ratio提升至序列级别；SAPO采用soft gate实现平滑过渡。这些算法不断优化训练的稳定性与效率，共同构成了大模型强化学习的完整技术栈。
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。
PPO (Proximal Policy Optimization)
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：
其中， 为序列的Advantage；, 分别为新、旧策略。 随 的变化如下图
当 时，策略梯度会迫使 importance ratio变大，即提高当前token类别的输出概率。当 importance ratio 大于 时，策略梯度为0，避免新、旧策略分布差异过大； 时，同理可推。
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。
GRPO (Group Relative Policy Optimization)
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：
1、需同时训练 Value Model，造成额外计算与资源开销；
2、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 巧妙避开Value Model的估计，其核心想法是通过多次轨迹采样来估计 advantage。
给定一条prompt，GRPO算法会采样该条 prompt 的 G 条轨迹 ，并计算对应的奖励 ，GRPO 直接使用
(这个advantage会平均分配给response的每个token)。
GRPO 的目标函数如下：
GRPO 保留了 KL divergence项，避免模型因reward hacking导致模型崩塌。
DAPO (Dynamic Sampling Policy Optimization)
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：
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：
考虑 情况，由于PPO算法只会在 情况下，才会提高 的概率，因此，当 接近 0 时， 提升幅度十分有限；
相反，若 较大， 提升幅度将相当可观，结果就是：原本概率大的 token 反而越容易被进一步放大，而那些原本概率很小但 advantage 为正的 token 几乎得不到提升，从而明显削弱了模型的探索能力。通过提高 clip 的上界，有效缓解了 Entropy Collapse 的发生。
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。
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。
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。
GSPO (Group Sequence Policy Optimization)
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：
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。
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。
SAPO (Soft Adaptive Policy Optimization)
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 ，避免了策略梯度为 0 的问题。SAPO目标函数为：
其中
为sigmoid函数。
SAPO的策略梯度为：
右下图为 情况下， 与 间的变化，结合SAPO策略梯度公式可观察：
- • 策略梯度强度随着 远离 1 ，呈现平滑递减，对比hard-clipping方法，在 时，策略梯度直接为 0；
- • 随着温度 上升，策略梯度递减速度增加，SAPO使用不同的 其实在控制 的策略梯度强度；
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：
- • soft gate 取代 hard-clipping：提高训练稳定性与效率；
- • 正负token非对称温度 ：由于 negative advantage token 倾向提高所有非当前token类别概率，导致许多无关token类别概率增加，引发训练不稳定，因此，设定 旨在降低negative advantage token的影响，提高训练稳定性。
SAPO同时具有GSPO与GRPO的优势，论文证明当轨迹满足以下条件：
(A1) Small-step/on-policy：要求 token-level importance ratio ；
(A2) 序列内低离散性：令
，
要求
很小。
SAPO可近似为smooth gate版本的 GSPO
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。
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。
如何学习AI大模型 ？
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓
CSDN粉丝独家福利
这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取【保证100%免费】
读者福利：👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈
对于0基础小白入门：
如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
👉1.大模型入门学习思维导图👈
要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。
对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）
👉2.AGI大模型配套视频👈
很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。
👉3.大模型实际应用报告合集👈
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）
👉4.大模型实战项目&项目源码👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）
👉5.大模型经典学习电子书👈
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）
👉6.大模型面试题&答案👈
截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）
为什么分享这些资料?
只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！
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。
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。
CSDN粉丝独家福利
这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取【保证100%免费】
读者福利：👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈
