Group Relative Policy Optimization（分组相对策略优化）

GRPO由DeepSeek提出，用于大语言模型的强化学习微调。它摒弃了传统PPO中的价值网络，改为对同一提示采样多个输出，计算组内相对优势，降低训练成本。技术说明：通过组内归一化奖励估计优势函数，提升训练稳定性和效率。