DAPO 与 GSPO 相对于 GRPO 的改进 GRPO：强化学习的”上一代方法” DeepSeek 开创性地使用了一种叫 GRPO（Group Relative Policy Optimization，组相对策略优化） 的算法。 用大白话解释它的逻辑： 对同一道题，让 AI 生成一组（比如 8 个）不同的回答，然后比较这组回答里谁得分高、谁得分低，以此作为”相对好坏”的信号来更新 AI。 这比之前的方法（PPO）简单很多——PPO 需要额 2026-01-20 强化学习 #强化学习 #DAPO #GSPO