大模型RL算法全攻略：从PPO到SAPO，带你掌握强化学习核心技术！

文章系统梳理大模型强化学习算法演进：从经典PPO开始，到GRPO舍弃Value Model降低开销，DAPO改进训练效率与稳定性，GSPO提升序列级别增强MoE训练稳定性，再到SAPO用soft gate实现平滑过渡。解释了大模型训练需先进行SFT及RL的重要性，展示了各算法技术特点与优势，是掌握大模型强化学习的必学内容。

大耳朵爱学习

656人浏览 · 2025-12-28 09:00:00

大耳朵爱学习 · 2025-12-28 09:00:00 发布

本文面向已了解强化学习中策略梯度**（policy gradient）、优势函数（advantage）、**重要性采样（importance sampling）等概念的读者，重点对大模型强化学习主流算法做一条线的梳理与比较。

强化学习 (RL, Reinforcement Learning) 已成为大模型后训练必不可少的环节。本篇将介绍 PPO, GRPO, DAPO, GSPO, SAPO 等大模型主流强化学习算法，在此之前，我先简短回答几个问题，让大家对强化学习在大模型训练中有更直观、全面的认识：

1. 一般情况下，强化学习训练前为何要先进行监督微调（SFT, Supervised Finetuning）？

2. 为什****么强化学习训练在大模型领域是重要的？

首先，大模型在前期会使用大量文本进行自监督（self-supervised）预训练（文字接龙），这个阶段决定了模型能力的上限，模型在过程掌握大量知识，但缺乏指令遵循能力，此时，直接进行 RL 训练会导致大部分采样样本没有奖励信号，训练效率低下，为提高训练效率，SFT 训练能快速提升模型指令遵循的能力，提高 RL 阶段的训练效率。SFT 相当于 RL 训练前的 warm start。

这时大家会好奇，既然 SFT 能提升指令遵循能力，为什么不直接使用 SFT 就完事了，非要加入 RL训练呢？

这是因为 SFT 训练大模型容易导致过拟合，以数学推理任务为例，SFT 会直接强迫模型输出分布与标准解题过程一致，这可能导致模型仅学会了 “模仿” 解题过程的输出风格，但没有学会真正的数学解题能力。另一方面，SFT 训练并非渐进式的，以数学推理任务为例，训练初期，若训练样本中包含难度较高的数学问答样本，模型因推理能力有限，会倾向去 “背题（memorize）” 而非 “理解题目”，这类样本产生的梯度会严重损害模型泛化能力；反观 RL 训练，使用渐进学习策略，训练样本通过模型采样生成，这能保证训练样本 (prompt + response) 与模型分布间差距不大，模型能理解当前能力所及的题目，而不是去 “背题”。

具象一点说，SFT 更像是老师给学生“灌输”知识，学生能在短时间内学会一套解题套路，但模型尚未将这些知识完全内化成能力。RL 则更像是学生在老师布置的题库上不断做题、订正和反思：解题方法是模型自己采样出来的，分布始终贴着模型当前能力，从而在“做题—反馈—调整”的循环中，逐步把知识沉淀为真正的能力。

下面我将按照技术发展脉络，依序介绍大模型主流强化学习方法。从最早的 PPO 出发，依次经过 GRPO、DAPO、GSPO，再到最新的 SAPO，每一个方法都在前一代技术的基础上改进与演化。

PPO

旧策略采样 + clip 约束的新策略更新。

PPO 是经典的强化学习算法，通过旧策略采样轨迹来估计新策略的梯度，这种方法必须保证新、旧策略分布差距不大，否则，估计新策略的梯度会失准，会使用hard-clipping技巧，避免新、旧策略分布差距过大，PPO公式如下：

其中，为序列的Advantage；，分别为新、旧策略。随 importance ratio 的变化如下图，当 Advantage>0 时，策略梯度会迫使 importance ratio变大，即提高当前token类别的输出概率，当 importance ratio 大于1+ϵ 时，策略梯度为0，避免新、旧策略分布差异过大；Advantage<0 时，同理可推。

PPO 训练流程如下：

1. 采样轨迹 (Rollout)：通过模型生成当前批次 prompt 的 response；

2. 奖励计算 (Reward)：对生成的 response 进行 sequence-level reward 计算（可通过 Reward model 预测或基于规则的方式计算奖励）；

3. 计算Value：Value Model 估计每个response token的价值 (Value)，即截止到当前response token，未来生成完整个response的期望奖励回报估计；

4. 计算token-level advantage：通过 GAE (Generalized Advantage Estimation，算法如下) 分配 advantage 给每个 token，形成 token-level 的监督信号；

Value Model 梯度更新；
策略梯度更新。

GRPO

丢掉 Value Model，通过采样同一 prompt 下的样本组来估计 advantage。

PPO与GRPO的对比，GRPO舍弃了Value Model，通过采样来估计 empirical-based advantage，降低资源开销。

PPO 存在以下几点缺点：

1. 需同时训练 Value Model，造成额外计算与资源开销；

2. Advantage 估计依赖 Value Model，导致训练稳定性受到影响：PPO 的 token-level advantage 估计来自 Value Model 的预测值，因此，Value Model 的训练品质会直接影响 advantage 的准确性。一旦 Value Model 的估计不稳定，就会使得策略模型训练变得高度不稳定。

GRPO 巧妙避开Value Model的估计，其核心想法是通过多次轨迹采样来估计 advantage。给定一条prompt，GRPO算法会采样该条 prompt 的G条轨迹，并计算对应的奖励，GRPO 直接使用 empirical-based advantage（这个advantage会平均分配给response的每个token)。GRPO 的目标函数如下：

GRPO 保留了 KL divergence项，避免模型因reward hacking导致模型崩塌。

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

DAPO

在 GRPO 的框架上，通过不对称 clip、动态采样、token-level loss 等技巧缓解训练效率和稳定性问题。

DAPO是字节跳动提出针对GRPO的一系列改进方法，分为以下几个方面：

1. Clip Higher：GRPO存在Entropy Collapse问题，即训练早期模型输出分布的Entropy快速下降，这会抑制模型探索能力 (exploration) ，导致empirical-based advantage计算为0，降低训练效率。Entropy Collapse源于GRPO的 clip 设计：

考虑Advantage>0情况，由于PPO算法只会在情况下，才会提高的概率，因此，当接近0时，提升幅度十分有限；相反，若较大，提升幅度将相当可观，结果就是：原本概率大的 token 反而越容易被进一步放大，而那些原本概率很小但 advantage 为正的 token 几乎得不到提升，从而明显削弱了模型的探索能力。通过提高 clip 的上界，有效缓解了 Entropy Collapse 的发生。

**2. Dynamic Sampling：GRPO存在训练效率低的问题，主要原因是模型看到太简单（全对）或太难（全错）的样本，以至于采样出来的轨迹advantage全为0，没有策略梯度，因此，**训练过程会滤除全对或全错的样本。

3. Token-Level Policy Gradient Loss：GRPO训练会将sequence-level advantage平均分配给每个response token，这导致长推理序列中，每个response token被分配到的advantage相当少，策略梯度强度非常弱，因此，论文提出****Token-Level Policy Gradient Loss，让同个mini-batch内，每个response token的advantage权重相同。

**4. Overlong Reward Shaping：传统方法会将过长的 response 截断，这些被截断的样本也会参与到奖励计算，造成 reward noise，导致训练不稳定，**通过超长过滤策略 (Overlong Filtering)，对被截断的样本进行 loss 屏蔽，提高训练稳定性，另外，为避免模型生成过长的response，会在原有奖励基础上，加入length-aware penalty (公式如下)，惩罚长度过长的样本：

Qwen2.5-32B模型微调后在AIME测试集上准确率，以及在 RL 训练过程中【采用/未采用】Clip-Higher 策略时，模型生成概率的entropy变化。

Qwen2.5-32B模型微调后在AIME测试集上准确率，以及其生成概率的entropy变化，对比【采用/未采用】Overlong Reward Shaping策略的情况。

【采用/未采用】Dynamic Sampling 策略的对比。

GSPO

把 importance ratio 提升到 sequence 级别，在 MoE 模型上能明显提升稳定性。

GSPO是阿里巴巴提出针对GRPO 训练不稳定且效率低的改善方法，GSPO 将token级别的advantage与importance ratio改为sequence级别，GSPO中，sequence-level important ratio 定义为：

目标函数为：

下面简短说明GSPO为什么比 GRPO更有优势：

**1. 梯度更稳定：GRPO与GSPO的策略梯度公式如下，可以明显看到，**GRPO的策略梯度方向受到了 importance ratio 的扭曲，这会影响策略梯度更新的稳定性与效率，反观GSPO每个token的策略梯度权重相等，importance ratio仅决定策略梯度的强弱，不决定方向。

2. MOE训练更稳定：MoE 模型训练难度大，每次策略梯度更新都可能改变激活的专家，从而导致同个序列的 token-level importance ratio 出现剧烈震荡，阻碍模型有效收敛。论文以微调 Qwen3-30B-A3B-Base 为例，每次策略梯度更新平均会激活约 10% 的新专家。GSPO 通过约束 sequence-level importance ratio，在 MoE 训练会更具优势，因为后训练阶段，MoE 的每个专家都具备一定的语言建模能力，这保证了即使 token-level importance ratio 波动剧烈，整体的 sequence-level importance ratio 仍能保持相对稳定，因此 GSPO 更有利于MoE 模型训练的效率与稳定性。

由 Qwen3-30B-A3B-Base 冷启动微调所得模型的训练曲线。 GSPO 的训练效率明显高于 GRPO。

SAPO

用 soft gate 代替硬 clip，在 GSPO 与 GRPO 之间连续平滑过渡，兼顾稳定性与效率。

SAPO对GSPO做了进一步优化，GSPO使用sequence-level hard-clipping机制，这导致部分序列因sequence-level importance ratio过大，而被clip掉，以致整条序列的策略梯度为 0，影响训练效率。SAPO将hard-clipping改为soft gate函数，避免了策略梯度为 0 的问题。SAPO目标函数为：

其中，，σ 为sigmoid函数。

SAPO的策略梯度为：

右下图为Advantage>0 情况下，importance ratio ri,t 与 wi,t 间的变化，结合SAPO策略梯度公式可观察：

策略梯度强度随着ri,t(θ)远离，呈现平滑递减，对比hard-clipping方法，在ri,t(θ) >1+ϵ时，策略梯度直接为 0；
随着温度 τ 上升，策略梯度递减速度增加，SAPO使用不同的其实在控制positive / negative advantage token 的策略梯度强度；

advantage>0 情况下的比较。左图展示目标函数随 importance ratio 的变化曲线；右图展示对应的梯度权重随 importance ratio 变化的曲线。

总结来说，SAPO有两个主要创新点：

1. soft gate 取代 hard-clipping：提高训练稳定性与效率；

2. 正负token非对称温度 (）：由于 negative advantage token 倾向提高所有非当前token类别概率，导致许多无关token类别概率增加，引发训练不稳定，因此，设定旨在降低negative advantage token的影响，提高训练稳定性。

SAPO同时具有GSPO与GRPO的优势，论文证明当轨迹满足以下条件：

(A1) Small-step/on-policy：要求 token-level importance ratio ri,t(θ)≈1

(A2) 序列内低离散性：令，要求很小。

SAPO可近似为smooth gate版本的 GSPO

因此，SAPO 同时具有 sequence-level 与 token-level 特性。在 (A1)–(A2) 条件满足时，其目标函数与 GSPO 相近；而在条件不满足时，其行为退化为 GRPO。同时，SAPO 通过 soft gate 在 on-policy 与 off-policy 策略间进行连续化的权重调整，以避免硬式切换造成的非平滑策略梯度，从而增强整个优化过程的稳定性。

对 Qwen3-30BA3B-Base 模型进行不同 RL 方法下的训练与验证表现。 SAPO 的学习过程始终稳定，最终性能也更高；相比之下，GSPO 与 GRPO-R2 都在训练早期出现崩塌现象。

总结

PPO, GRPO, DAPO, GSPO, SAPO 可以视作一条面向大模型强化学习微调的算法演进链：PPO 作为经典强化学习算法，在旧策略采样、clip 约束小步更新的框架下，让大模型可以稳定做策略梯度；GRPO 通过同一 prompt 下的样本组来估计 empirical advantage，省去了 Value Model 的训练开销；DAPO 在 GRPO 的基础上加入不对称 clip、动态采样、token-level policy loss 与长度奖励等技术，显著提升长推理序列的训练效率与稳定性；GSPO 将 importance ratio 与 advantage 提升到 sequence 级别，缓解 MoE 等大模型训练中token-level importance ratio剧烈波动带来的不稳定；在此之上，SAPO 以 soft gate 取代 hard-clipping，并通过正负 advantage 不同温度，在 sequence-level 与 token-level、on-policy 与 off-policy 之间实现自适应折中，兼顾了训练稳定性与效率。