是时候准面试和实习了。

不同以往的是，当前职场环境已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。

最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。

• 《大模型面试宝典》(2025版) 正式发布！

喜欢本文记得收藏、关注、点赞。

---

DeepSeek-R1 的 GRPO 算法相比 PPO 好在哪里？直接用 PPO 可以吗？这是我的学员在今年秋招大模型面试中遇到的一个问题。

这篇文章，我们就从这个面试题展开，详细聊聊 Deepseek 中的强化学习算法 GRPO，如果你在面试现场被问到相关题目，应该如何作答？

01

面试官心理分析

首先老规矩，我们还是来分析一下面试官的心理，面试官问这个问题呢，其实主要是想考察这么几个点：

• 第一，你对经典的 RLHF 阶段的 PPO 算法了不了解，这个当然是回答这道题目的前提条件了。

• 第二，deepseek 的 RL 阶段是怎么做的？能否从公式层面分析一下它们的差异点？

• 第三，它为什么要这么设计，有什么优势？

好，那接下来我们就沿着面试官的心理预期，来分析一下这道题目！

02

面试题解析

首先看一下，经典的 PPO 算法是怎么做的？

看这张图，我们知道，在 RLHF-PPO 阶段，一共有四个主要模型，分别是：

• Actor Model，想要训练的目标语言模型。

• Critic Model，用来预估t时刻的未来期望总收益 Vt。

• Reward Model，也就是奖励模型，用来计算即时收益 Rt。

• Reference Model：参考模型，在 RLHF 阶段，给语言模型增加一些“约束”，防止模型训歪。

PPO 具体实现有很多变种，我们这里讲其中一种，用公式展开如下：

这里公式第一项，是 PPO 的优化目标，说白了，就是根据重要性比值的截断去约束。

第二项是一个惩罚项，约束当前更新的模型不要偏离原始语言模型太远，防止语言模型跑偏。

OK，知道了经典的 PPO，我们再来看看 DeepSeek 的 GRPO 是怎么做的，在哪些地方做了改进？

其实 GRPO 最大的不同点，就是这里的优势函数计算不一样，也就是公式中的红框部分。

那所谓的优势又是指的什么呢？这里我们通过吃鸡这个游戏，来举个例子。

假设在和平精英中，你想从 G 镇转移到 P 城，这时你有两种选择：

• 走空旷的麦田。

• 走沿途有房区的公路。

现在你选择走房区公路，当做出这个决定后，Critic 模型告诉你预计可能会遇到一个敌人。

结果此刻沿途房区的敌人刚好都在互相交战，你不仅安全通过，还顺手收集了两个敌人掉落的高级物资，收益远超预期。

因为实际收益比预期要多，你尝到了甜头，所以增大了“转移时优先选择房区路线”的概率。这个多出来的“甜头”，就叫做“优势”。

原始的 PPO 计算优势如下：

这在强化学习中也叫广义优势估计 GAE。

其中，V 是 critic 模型估计出来的，新引入的 gamma 是一个常量，可将其理解为权衡因子，它控制了在计算当前优势时与未来优势的考量，从强化学习的角度上，它控制了优势估计的方差和偏差。

再来看 GRPO，与 PPO 依赖 critic 模型来引导学习不同，GRPO 直接去掉了 critic 模型！

它的做法是：采样一组输出，通过组内相对奖励来估计基线，从而来优化模型。

我们看这张图：

GRPO 通过对一个 prompt 输入要优化的策略模型，采样多个 response，然后根据 reward 模型来计算即时的 reward，最后归一化得到当前 prompt 的优势。

我们看公式：

其中 GRPO 的奖励类型有三种：

• 一个是答案是否准确，例如，解答数学题。

• 第二个是格式是否正确，例如，推理过程需要包含在标签中。

• 还有语言一致性奖励，惩罚语言混杂或格式不一致。

来看一个例子，假设查询是“3 * 5 的乘积是多少？”

此时模型会针对该查询生成这样的一组 4 个响应：

• o1：“答案是 15。”

• o2：“十伍。”

• o3：“是 15。”

• o4：“积是 15。”

对应得到的奖励可能就是这个样子：

• r1 = 1.0（正确且格式良好）

• r2 = 0.8（正确但较不正式）

• r3 = 0.0（错误答案）

• r4 = 1.0（正确且格式良好）

GRPO 这样设计有什么好处呢？几点：首先去掉了 critic 模型，提高了训练效率，而且节约了显存和计算资源，这在训练超大模型时是非常有用的，毕竟卡不便宜。

另外，在组内建立竞争机制来促进学习，想象一下你正在教一群学生解决一道数学题。

你肯定不会直接告诉他们谁答对了谁答错了，而是比较所有学生的答案，找出谁答得最好（以及原因）。

然后通过奖励和惩罚让差生向好学生学习，并不断优化。这种方式也使得 GRPO 在解决推理任务中表现尤为出色，特别是数学和代码任务，这点我们从开放出来的 benchmark 也可以看出。

但是 GRPO 绝对奖励评估方式难以适应各种复杂任务，比如对 token 级，cot 级细粒度评分，比如我做应用题，改试卷的时候，除了答案能给分以外，有过程也可以给分。

因此这种方法不适合在所有推理领域中进行推广，所以后续也有很多改进工作出现，例如 DAPO，VAPO，GSPO 等等，这些我们也会在后面的分享中逐一讲解，敬请期待。