GVPO++：面向LLM后训练的策略优化新法
原文标题：GVPO++: Group Variance Policy Optimization for LLM Post-Training and On-Policy Distillation
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出GVPO（组方差策略优化），将KL约束奖励最大化的解析解融入梯度加权，避免对重要性采样的依赖，从而缓解训练不稳定问题。GVPO保证唯一最优解，并自然扩展到在线策略蒸馏（OPD），支持多样化目标设计。该方法为可靠、通用的LLM后训练提供新范式。
- 问题
- GRPO 等后训练方法依赖重要性采样，导致训练不稳定。
- 方法
- 把 KL 约束奖励最大化的解析解融入梯度加权，无需重要性采样，并可扩展到在线策略蒸馏。
- 结果
- 未给出量化结果；理论保证唯一最优解。
- 影响
- 为 LLM 后训练与蒸馏提供更稳定、目标设计更灵活的新范式，降低调参风险。
深读 · 结论先行AI 生成展开看要点与影响 ↓
GVPO 把 KL 约束奖励最大化的解析解写进梯度加权，绕开重要性采样以缓解训练不稳定。
- •针对 GRPO 等方法依赖重要性采样、导致训练不稳定的实际部署障碍。
- •GVPO 的梯度可解释为隐式奖励中心距离与实际奖励中心距离之间的均方误差。
- •两个核心性质：保证唯一最优解，且允许灵活采样分布、无需重要性采样。
- •自然扩展到在线策略蒸馏 OPD，并支持优化一族扩展 OPD 目标。
- •摘要未给出具体基准与数值结果，仅有理论性质与范式主张。
为什么重要：后训练稳定性是 LLM 团队的高频痛点；不过这条目前是理论框架层面的主张，缺少实验数字，需读正文确认实际收益。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。