简介

本文深入解析GRPO算法在大模型训练中的应用原理，详细阐述了其损失函数、优势值和重要性采样机制。重点分析了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。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

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】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传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】