7 轮交互失败了该怪谁:奖励归因怎么进 GRPO/GSPO
多轮 agentic RL 里一条轨迹只有一个最终奖励,第几轮的错该怎么分摊?形式化、归因谱系,以及 GSPO-token 留的口子。
多轮 agentic RL 里一条轨迹只有一个最终奖励,第几轮的错该怎么分摊?形式化、归因谱系,以及 GSPO-token 留的口子。
500 token 和 5000 token 的回答,谁对梯度贡献更大?sample-mean 每条一票,token-mean 每个 token 一票,换法有隐藏代价。
截断的回答默认按答错处理,会把奖励噪声注入 advantage。DAPO 的两个修法:屏蔽截断样本的 loss,或在长度上限前加一段线性惩罚坡。
R1-Zero 的长度与奖励齐涨,可能有一半是优化器的偏好:1/|y| 让答错的回答变长,除以 std 偏向极端难度的题。
每题采 64、8 还是 2 条回答?G 是 GRPO 唯一的 baseline 来源和最大的算力开关,它到底买来了什么?
rollout 与训练用不同引擎,同一个模型算出两个概率,on-policy 悄悄变成 off-policy。差异从哪来、代价是什么、怎么补。
GRPO 沿用 token 级重要性比率,Qwen 认为这是误用,会让 MoE 长回答训练崩溃。GSPO 把比率、裁剪和优化都提到序列级。
naive GRPO 训练中熵会快速坍缩。DAPO 只把裁剪上界从 0.2 抬到 0.28,背后是 PPO-Clip 在概率轴上的结构性不对称。