概述
组相对策略优化 (GRPO) 是一种用于微调语言模型的强化学习方法，该方法根据同一提示的一组兄弟答案来判断每个答案，从而消除了 PPO 使用的单独价值网络。它作为 DeepSeek 推理模型背后的核心训练技巧而闻名。
组相关策略优化是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
GRPO 是策略梯度强化学习的一种变体，旨在使大型语言模型的 RL 微调更便宜、更稳定。标准 PPO 需要一个有学识的“批评家”（价值模型），其大小大致与政策本身一样大，以估计每个代币的好坏。 GRPO 完全消除了这个批评。对于每个提示，它都会对一组完成进行采样（例如 8-64），用奖励信号对它们进行评分，然后通过根据组的平均值和标准差标准化其奖励来计算每个完成的优势。高于平均水平的答案会得到强化，低于平均水平的答案会被抑制。 KL 散度项使模型接近参考策略。它由 DeepSeek 推出，为 DeepSeekMath 和 DeepSeek-R1 推理模型提供支持。
技术洞察
关键思想是用蒙特卡罗组基线替换 PPO 的学习值基线。对于一组具有奖励 r_i 的输出，每个优势为 A_i = (r_i -mean(r)) / std(r)。归一化分数乘以截断概率比，与 PPO 完全相同，并且针对冻结参考模型的 KL 惩罚可以抑制漂移。因为没有接受过训练的批评家，所以内存和计算量大约减半，并且按提示标准化提供了自然缩放的低方差优势。
掌握组相关策略优化
组相对策略优化 (GRPO) 是一种用于微调语言模型的强化学习方法，该方法根据同一提示的一组兄弟答案来判断每个答案，从而消除了 PPO 使用的单独价值网络。它作为 DeepSeek 推理模型背后的核心训练技巧而闻名。组相关策略优化是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将组相对策略优化视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍然需要专家判断的操作分开。
在实践中，强大的团队使用组相对策略优化来根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
训练 DeepSeek-R1 和 DeepSeekMath 使用基于规则的正确性奖励对数学问题进行长链思维推理
微调代码生成模型，其中每个采样解决方案根据是否通过单元测试进行评分，并且该组被标准化以挑选获胜者
开源 RLHF 管道（例如，在 TRL 和 verl 库中）使用 GRPO 来调整聊天模型，而无需支付单独的价值网络费用
通过对每个提示的多个响应进行采样并奖励相对于同龄人而言奖励模型评分最高的响应，改善指令遵循或安全行为
实施模式
集团相关政策优化实践
训练 DeepSeek-R1 和 DeepSeekMath，使用数学问题上基于规则的正确性奖励来产生长链思维推理。
训练 DeepSeek-R1 和 DeepSeekMath，使用数学问题上基于规则的正确性奖励来产生长链思维推理。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
集团相关政策优化实践
微调代码生成模型，其中每个采样的解决方案都根据其是否通过单元测试进行评分，并且该组被标准化以选出获胜者。
微调代码生成模型，其中每个采样的解决方案根据是否通过单元测试进行评分，并且该组被标准化以挑选获胜者。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
集团相关政策优化实践
开源 RLHF 管道（例如，在 TRL 和 verl 库中）使用 GRPO 来调整聊天模型，而无需支付单独的价值网络费用。
开源 RLHF 管道（例如，在 TRL 和 verl 库中）使用 GRPO 来调整聊天模型，而无需支付单独的价值网络费用。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
集团相关政策优化实践
通过对每个提示的多个响应进行采样并奖励相对于同龄人而言奖励模型评分最高的响应，来改善指令遵循或安全行为。
通过对每个提示的多个响应进行采样并奖励相对于同行而言奖励模型评分最高的响应来改善指令遵循或安全行为当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。