简介

本文深入解析GRPO算法在大模型训练中的应用原理，详细阐述了DAPO对GRPO的四大优化：提高clip上界释放低概率token上涨空间、动态采样保障有效梯度、Token-Level Gradient Loss平衡长回答梯度权重、软惩罚机制约束回答长度。这些改进解决了GRPO训练中信号浪费、梯度稀释等问题，显著提升了大模型训练效率与稳定性。

GRPO 回顾

GRPO的损失函数为：

GRPO优势值:

重要性采样：

GRPO 与 PPO 的目标函数可写为：

其中 为优势（advantage），clip 操作用于限制更新幅度，防止策略偏离旧策略过远：

• 衡量当前动作比平均状态好/差：正向为鼓励，负向为惩罚。
• 衡量新策略 vs 旧策略的概率比： 更偏向新策略， 更偏向旧策略。

在理解了重要性采样的基本原理后，我们可以进一步探讨它在 PPO/GRPO 中的实际影响：优势函数 与比值 的符号如何共同决定策略更新的方向与力度。

A 与 r 的符号如何影响训练

假设 clip 参数，，目标函数为：

当 时，即动作比期望好，希望增加该动作的概率：

• 若 ，更倾向新策略：min 和 clip 会将 限制在 1.2（即增幅被限制）
• 若 ，更倾向旧策略：min 操作不会触发 clipping，因为 本身更小，min 会保留原值取0.8

因此，正优势动作的增幅被限制。

当 ，即动作比期望差，希望减小该动作的概率：

• 若 ，更倾向旧策略：min 会将 限制在0.8，即减幅被限制，避免过度惩罚
• 若 ，更倾向新策略：min 操作不会限制 。因为 本身更负，min 会保留原值，相当于允许更大的惩罚

因此，负优势动作的减幅被限制。

所以在 和 的四种符号组合中，仅同号的两种情况是期望的修正方向：

即使 与 方向一致，PPO/GRPO 的 clip 通过限制 的范围 ，决定了哪些 token 的梯度会真正参与策略更新，从而避免策略更新幅度过大，保证训练稳定性。

实际中 clip 操作是将梯度直接置为0

实际中 clip 操作是将梯度直接置为0 当 且 时，clip 操作会将梯度置为 0，相当于抹去该 token 对训练的贡献；同样当 且 时，clip 也会使其梯度为 0。
一个常见的误区是认为 clip 在反向传播时，会将截断后的值的梯度传回截断前的值进行更新。但实际 clip 机制是被截断前的梯度会被直接清零，不进行更新。

DAPO目标函数

在回顾完GRPO后，我们看DAPO如何对GRPO进行优化，DAPO的的出发点其实非常直接：在实际训练中，GRPO 往往因 clip 范围设置不合理、采样冗余以及长序列梯度被稀释等问题，导致大量训练信号被浪费，所以针对这些问题，DAPO 逐一提出改进，以下为DAPO的损失函数：

改进一：提高clip的上界

GRPO 中 clip 上界较小，会导致低概率但优势为正的关键 token 被抑制。比如 old policy 难得采到一个关键 token且概率极低，而当前模型对此 token 的概率很高，那么的比率就会很大，但却会因为 clip 限制过紧被裁剪，那么低概率关键 token 就几乎没有被很好的训练。

所以 DAPO 引入 Clip-Higher 提高上界，释放低概率关键 token 的上涨空间，解决低概率关键 token 涨幅受限问题。

改进二：动态采样（Dynamic Sampling）

GRPO 训练中，若同一 query 被多次采样，并采样结果的得分相同，就会导致这些样本的优势为 0，进而梯度为 0，无法贡献有效的奖励训练信号。那么实际有效的梯度就会少于采样的次数，导致最后梯度汇集时信息不足以及训练资源的浪费。而且这种效果可能随着训练的进行越来越明显，因为越到后边模型效果越好，给出高分回答的几率就越大，相对优势就越小，而且会出现很多满分的情况。所以DAPO添加了限制，就是如果采样出来的回答全是 0 或者 1 就继续采样，保证采样具有得分上的多样性：

改进三：Token-Level Gradient Loss

GRPO 训练长回答时 梯度计算分两步：

• 先对 单个 sample 内的 token 求平均
• 再对 batch 内的 sample 求平均

举例：若采样 2 次，回答 1 有 200 个 token，回答 2 有 10 个 token，则：

• 回答 1 的 token 权重为
• 回答 2 的 token 权重为

长回答的 token 因第一步sample 内平均，导致长回答的 token 梯度权重被稀释，短回答 token 权重更高。那么在训练过程中，长文本高质量回答的有用梯度就无法有效传递，影响训练效率。

原 GRPO 公式（sample-level 聚合）：

DAPO 公式（token-level 聚合）：

DAPO 采用Token-Level Gradient Loss，将损失聚合方式从sample 级两层平均改为全局 token 级单层平均，按所有采样的总 token 数归一化，让长、短回答的 token 权重公平。

改进四： 软惩罚机制（Soft Punishment）

DAPO 的第四项改进围绕奖励机制设计，引入软惩罚策略治理回答过长问题，该机制通过双阈值分级约束实现精准调控：

• 线性惩罚阶段：当回答长度超过第一个预设阈值时，惩罚随 token 数量线性增长
• 完全抵消阶段：若长度突破第二个阈值，则取消奖励，这个回答就会被视为无效

两个阶段的惩罚均以逐 token 的方式作用于奖励上，从梯度层面约束长回答的生成倾向。

综上，DAPO 以 Clip-Higher（突破低概率 token 涨幅限制）、动态采样（保障有效梯度）、Token-Level Gradient Loss（平衡长回答梯度权重）、软惩罚（约束回答长度） 四大优化，精细化改造 GRPO，提升训练效率与稳定性。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝 一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝 一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇