arXiv · cs.AI· Kaichen Zhang, Yuzhong Hong, Junwei Bao, Hongfei Jiang, Yang Song, Dingqian Hong, Hui Xiong·· 6 小时前
GVPO：用于大语言模型后训练的组方差策略优化
GVPO: Group Variance Policy Optimization for Large Language Model Post-Training
arXiv:2504.19599v4阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Kaichen Zhang, Yuzhong Hong, Junwei Bao, Hongfei Jiang, Yang Song, Dingqian Hong, Hui Xiong
研究任务与主要进展
作者提出GVPO（Group Variance Policy Optimization），将KL约束奖励最大化的解析解直接纳入梯度权重，用于改善大语言模型后训练中的策略优化。其梯度被解释为隐式奖励中心距离与实际奖励中心距离之间的均方误差，并在摘要中声称可保证唯一最优解、支持灵活采样分布。当前材料仅为论文摘要，未提供实验、基准或与GRPO的定量比较。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org