时令 发自 凹非寺

量子位 | 公众号 QbitAI

通义千问一周开源三连暴击，背后杀手锏官方来揭秘了：

强化学习新算法GSPO。

同等算力下，训练效率碾压GRPO，准确率和性能飙升。

背后的核心创新在于：GSPO定义了序列级别的重要性比率，并在序列层面执行裁剪、奖励和优化。

此算法一出，便迅速引发了人们对其在其他模型中应用效果的期待。

序列级优化目标

相较于GRPO，GSPO有三大突出优势：

强大高效：GSPO具备显著更高的训练效率，并且能够通过增加计算获得持续的性能提升；

稳定性出色：GSPO能够保持稳定的训练过程，并且根本地解决了混合专家（Mixture-of-Experts，MoE）模型的RL训练稳定性问题；

基础设施友好：由于在序列层面执行优化，GSPO原则上对精度容忍度更高，具有简化RL基础设施的诱人前景。

而这一切优势的背后，正是GSPO在设计上所引入的序列级优化目标。

设

为查询，

为用于采样回复的策略，

为采样得到的回复组，

为各个回复的组内相对优势，

为需优化的当前策略。

GSPO采用以下优化目标：

即为GSPO基于序列似然定义的重要性比率，其中研究人员进行了长度归一化以降低方差并统一

的数值范围。

GSPO裁剪token比例超GRPO百倍

实验中，研究人员选用了基于Qwen3-30B-A3B-Base微调得到的冷启动模型，并在AIME’24、LiveCodeBench和CodeForces等多个权威基准任务上测试其性能。

值得注意的是，GRPO必须采用Routing Replay训练策略才能正常收敛，而GSPO则无需该策略。

从上图可见，GSPO表现出比GRPO更高的训练效率，即在同等计算开销下能够取得更优的性能。

特别地，他们还观察到GSPO可以通过增加算力来获得持续的性能提升——这正是他们所期待算法的可拓展性。

最终，他们成功地将GSPO应用于最新的Qwen3模型的大规模RL训练，进一步释放了RL scaling的潜能！

还有个有趣的观察，GSPO所裁剪的token比例比GRPO要高上两个数量级，但却具有更高的训练效率。

这进一步表明，GRPO所采用的token级优化目标存在噪声大、效率低的问题，而GSPO的序列级别的优化目标则提供了更可靠、有效的学习信号。

在使用GRPO训练时，MoE模型的专家激活波动性常导致RL训练无法正常收敛。

为了解决这一挑战，研究者过去采用了路由回放（Routing Replay）训练策略，即缓存

中激活的专家，并在计算重要性比率时在

中“回放”这些路由模式。

上图可见，Routing Replay对于GRPO训练MoE模型的正常收敛至关重要。然而，这种做法会产生额外的内存和通信开销，并可能限制MoE模型的实际可用容量。

因此，GSPO的一大突出优势在于彻底消除了对Routing Replay的依赖。其核心在于：GSPO仅关注序列级别的似然（即

），而对个别token的似然（即

不敏感。

正因如此，GSPO无需Routing Replay等对基础设施负担较大的手段，既简化和稳定了训练过程，又使得模型能够最大化地发挥容量与潜能。

此外，由于GSPO仅使用序列级别而非token级别的似然进行优化，直观上前者对精度差异的容忍度要高得多。

这使得GSPO可直接使用推理引擎返回的似然进行优化，从而无需使用训练引擎重新计算。该特性在partial rollout、多轮RL以及训推分离框架等场景中特别有益。

论文链接：https://www.arxiv.org/abs/2507.18071

参考链接：

[1]https://mp.weixin.qq.com/s/Y5pfNNX4K6k0hfxXr87dkQ