阿里Qwen团队提出的GSPO（Group Sequence Policy Optimization，组序列策略优化）是一种专为大语言模型（LLMs）设计的强化学习算法，旨在解决主流算法 GRPO（Group Relative Policy Optimization，群体相对策略优化）在训练超大规模模型时的稳定性问题。

一、GSPO 产生的背景

在GSPO出现之前，像GRPO这样的算法在训练大模型，特别是处理长序列或MoE（混合专家）模型时，很容易出现模型崩溃——即模型性能突然急剧下降且不可恢复。

其根源在于优化粒度与奖励粒度的不匹配：

（1）奖励是基于整个序列计算得出的（例如，评判一整段回答的好坏）。

（2）但GRPO却在每个令牌的级别上进行优化。它会为生成的每个令牌计算一个"重要性权重"，这个权重就像每个词的"发言权"。

问题在于，同一序列内不同令牌的"发言权"波动极大，这些细微的波动会随着句子变长而不断累积，最终导致训练信号充满噪声，梯度更新失控。这在MoE模型中尤为严重，因为模型激活的专家组合会变化，加剧了令牌概率的波动。

二、GSPO与GRPO的核心差异

1. 优化单位的本质区别

（1）GRPO的Token级优化：

GRPO按单个Token（如字词）计算“重要性权重”，例如生成句子“小明在公园吃苹果”时，会对每个Token（“小明”“在”“公园”等）单独评估其对最终奖励的贡献。这种方式存在两个致命问题：

• 高方差噪声：单个Token的权重波动剧烈（如“苹果”的权重可能突然升高），随着句子长度增加，噪声像滚雪球一样累积。
• 单位错配：奖励是基于整个序列（如完整回答的质量），但优化却在Token级别，导致“局部调整”与“全局目标”脱节。

（2）GSPO的序列级优化：

GSPO将整个序列视为一个整体，例如直接评估“小明在公园吃苹果”这句话的整体合理性（即序列似然）。具体做法包括：

• 序列级重要性比率：计算新旧策略对整个序列的生成概率差异，而非单个Token。
• 长度归一化：不同长度的序列（如短句和长文）使用不同缩放系数，避免长序列的波动被放大。
• 序列级裁剪：如果某个序列的整体似然偏离正常范围太远，直接排除该序列参与训练，而非逐个Token裁剪。

（3）通俗对比：

• GRPO像逐句批改作文，每句的分数差异大，导致总分忽高忽低。
• GSPO像先给整篇作文打一个整体分，再基于整体分调整每句的贡献，单个句子的小波动不影响全局。

2. MoE模型训练的颠覆性突破

混合专家模型（MoE）通过“动态调用专家模块”提升效率，但专家激活的波动性会导致GRPO的Token级权重彻底失效。例如，处理“数学公式”和“文学描述”时，专家切换可能使同一Token的权重剧烈变化。

GRPO需依赖“路由回放”（记录专家激活状态并反复复用）才能训练MoE，但这会增加内存和通信成本，还限制模型容量。

GSPO的解决方案：

GSPO仅关注序列级似然，而MoE模型的语言建模能力（生成通顺内容的能力）是稳定的，因此序列级的似然不会因专家切换而剧烈波动。例如，无论专家如何切换，“小明在公园吃苹果”这句话的整体合理性不会突变，从而从根本上消除了训练不稳定的根源。

对比维度	GSPO(Group Sequence Policy Optimization)	GRPO(Group Relative Policy Optimization)
优化单元	序列级别(Sequence-level)	令牌级别(Token-level)
核心操作	计算整个序列的重要性比率，并进行裁剪和优化	为序列中的每个令牌单独计算重要性权重
稳定性	高。从根本上避免了方差累积，有效防止模型崩溃	低。令牌级权重波动会随序列长度累积，导致训练不稳定
训练效率	高。同等算力下性能更优，且能通过增加计算持续提升	相对较低。训练曲线易出现波动，性能提升存在瓶颈
对MoE模型	友好。无需特殊技巧即可稳定训练	不友好。需要"路由回放"等额外策略，否则难以收敛
信号质量	提供更可靠、一致的学习信号	令牌级信号噪声大、效率低

三、GSPO的技术创新

1. GSPO工作流程

GSPO算法在训练过程中的核心工作流程如下：

2. 序列级重要性比率设计

GSPO通过几何平均计算序列似然，公式为：

其中，T是序列长度。这种设计将Token级的波动平均化，例如生成“苹果”时即使其Token权重异常，也会被序列中其他Token的权重稀释，从而降低方差。

从「逐词算账」到「团队评分」

（1）GRPO的问题：

想象老师给一篇作文打了80分，但GRPO非要把这80分拆到每个字上——“‘今天’这个词值5分，‘天气’值3分……”。结果每个字的评分波动很大，比如“苹果”可能突然被评到10分，导致总分忽高忽低，最后老师自己都懵了。

（2）GSPO的做法：

直接给整篇作文打一个综合分，比如“这篇文章整体逻辑清晰，用词恰当，总分80分”。然后用这个总分来调整模型，避免单个字的波动影响全局。具体公式就像计算“班级平均分”：把每个字的概率取对数后平均，再转换成一个稳定的“序列得分”。

3. 组优势估计与裁剪机制

GSPO将同一查询的多个响应（如针对“如何做蛋糕”的多个回答）分为一组，计算每组的平均奖励和标准差，得到每个序列的相对优势值。例如，若某回答的得分高于组内平均分，则优势值为正，反之则为负。

裁剪机制直接作用于序列级别：若某序列的重要性比率超过预设范围（如1.2或0.8），则强制将其限制在边界值，避免过度偏离旧策略。

「小组竞赛」淘汰差答案

（1）GRPO的问题：

每个回答单独评分，比如“回答A得90分，回答B得60分”，但GRPO会把90分拆到每个字，导致某些字被过度强化，而回答B可能因为某个字的低分被完全忽略。

（2）GSPO的做法：

把多个回答（比如10个）分成一组，计算组内平均分和标准差，得到每个回答的“相对优势”。比如回答A比平均分高1个标准差，优势值为+1；回答B比平均分低1个标准差，优势值为-1。然后直接淘汰那些“优势值”异常的整个回答（比如得分低于平均分太多的），而不是逐个字调整。

4. GSPO-token的灵活扩展

为应对多轮对话等需要Token级调整的场景，团队提出GSPO-token。其核心是通过停止梯度传播（detach操作），在保持序列级稳定性的同时，允许Token级优势值的灵活设置。例如，在数学推理中，可对关键符号（如“=”“+”）赋予更高优势值，强化模型对这些Token的关注。

「关键令牌」的灵活微调

（1）GRPO的问题：

无法针对特定场景（如数学推理）调整关键符号（如“=”“+”）的权重，导致模型在这些细节上容易出错。

（2）GSPO的做法：

在保持序列整体稳定的前提下，允许对关键Token进行单独调整。比如在数学推理中，对“=”符号赋予更高的优势值，让模型更关注等式的正确性。这就像接力赛中，全队保持稳定的同时，让最后一棒选手加速冲刺。

GSPO通过序列级优化和MoE天然适配两大核心创新，彻底解决了GRPO在大模型训练中的稳定性难题。其本质是从“局部优化”转向“全局+局部协同优化”，既保证了训练的稳健性，又通过GSPO-token保留了Token级调整的灵活性。这一突破不仅为Qwen3模型的性能飞跃奠定了基础，更可能成为未来超大规模模型训练的标配算法。正如研究者所言：“GSPO回归了强化学习的本质——用全局视角解决全局问题。”

四、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.大模型 AI 学习和面试资料

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】