NeurIPS 25 | GRPO进阶版来了，GVPO重构大模型后训练范式

作业帮与香港科技大学（广州）在NeurIPS 2025提出GVPO（Group Variance Policy Optimization），一种用于大模型后训练的新方法。该方法通过避免重要性采样解决了GRPO训练不稳定的问题，并在理论上证明存在唯一最优解。实验以Qwen2.5-Math-7B为基座模型，在AIME2024、AMC等五项数学推理任务中表现全面优于GRPO和Dr.GRPO，且对超参数不敏感、支持高效数据复用，展现出更强的稳定性与可扩展性，为大模型后训练提供了兼具理论保障与工程实用性的新范式。
来源：https://mp.weixin.qq.com/s/mhv0bo0PEB67jbUkZU3sXg