截断的回答该怎么判:DAPO Overlong 在修什么

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。

2026-08-30 · 8 分钟 · 3651 字 · njx

一道题采几条回答:GRPO 组大小 G 买来了什么

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?

2026-08-29 · 10 分钟 · 4969 字 · njx

熵是怎么塌掉的:DAPO 的 Clip-Higher 在修什么

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。

2026-08-26 · 18 分钟 · 8648 字 · njx