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。

四、总结

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。”

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

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。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

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】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 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】