arXiv 论文：等算力下 GRPO 密集奖励反而不如标准 GRPO
原文标题：Are Dense Rewards Worth Their Tokens in GRPO?
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。
一篇 arXiv 论文提出「等算力」评测协议，让每种训练干预在相同生成 token 数与 GPU 小时预算下比较。在 6 个模型、1668 次训练中，等算力比较推翻了此前结论：Qwen2.5-1.5B 上蒙特卡洛密集奖励每次更新领先，但等 token 时低 14.3 个百分点，等训练时间时低 7.8 个百分点，四种密集奖励变体均未超过 GRPO。作者主张训练干预必须在等算力条件下验证。
- 问题
- 密集过程奖励与 GRPO 的比较多在每次更新或单批次梯度上做，忽略了采样续写的算力成本。
- 方法
- 提出等算力评测协议，按生成 token 数与训练 GPU 小时给每种干预同等预算，并在六个模型上做预注册对照实验。
- 结果
- 1668 次训练中排名反转：Qwen2.5-1.5B 上蒙特卡洛密集奖励等 token 时低 14.3 个百分点、等训练时间低 7.8 个百分点，四种密集奖励变体均未超过 GRPO。
- 影响
- 调 RLVR 时按更新次数比较会系统性高估密集奖励，团队应改用等算力协议验证，避免把算力浪费在无效改动上。
深读 · 结论先行AI 生成展开看要点与影响 ↓
等算力协议下，蒙特卡洛密集奖励在 Qwen2.5-1.5B 上比标准 GRPO 低 14.3 个百分点，四种密集奖励变体全未胜出。
- •提出匹配算力协议，按生成 token 数与训练 GPU 小时给每种干预同等预算，并在预注册研究中控制副作用。
- •该设定下续写采样本身占全部生成 token 的 91%，此前按单次更新比较忽略了这笔成本。
- •覆盖 6 个模型、1668 次训练；Qwen2.5-1.5B 上密集奖励每次更新领先，等 token 时低 14.3 个百分点，等训练时间时低 7.8 个百分点。
- •逐 token 梯度测试的排序与训练一致，但把每个奖励高估 1-2 分，幅度与其要检测的增益相当。
- •改为训练预测成功率最接近 1/2 的 prompt，在等算力下 Qwen3-0.6B 提升 1.7 分、Qwen2.5-1.5B 提升 0.8 分。
为什么重要：做 RLVR 的团队若按单次更新或单批次梯度下结论，可能选错奖励设计；这条给出可直接照搬的等算力对照方法。
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
谷歌 DeepMind 发布 AlphaGenome 2，精细预测突变细胞效应
AI 摘要谷歌 DeepMind 推出 AlphaGenome 2，基于 68 种组织、超 1 亿个细胞图谱训练，可预测遗传变异对特定细胞类型与状态的影响。该模型识别出的影响基因表达的变异数量约为上一代的两倍，并能在未重新训练的情况下预测新细胞类型，有望助力疾病机理研究与药物靶点发现。
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。