arXiv · cs.CL· Junyi Gao·· 21 天前精选AI 评分58
arXiv 论文证明 GRPO 在组依赖奖励下退化为零和锦标赛,并提出 Team-GRPO 修正
When Rewards Depend on the Group, GRPO Plays a Tournament
来源与原文
arXiv · cs.CL
作者:Junyi Gao
发布时间:(北京时间)
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2611.02404v1
本站目前仅有 AI 导读与摘要,未展示原文正文;技术细节、代码和完整结论请查看原始来源。
AI 导读
论文证明当奖励依赖多样性、覆盖度等组内分布时,GRPO 的组相对基线会改变优化目标,期望更新等于自身奖励梯度加上 α=-1/(K-1) 倍的队友影响,等于让每个回答在零和锦标赛中击败同组对手,K=2 时完全看不到成对多样性奖励。作者提出 Team-GRPO(α=+1)作为任意组依赖奖励的无偏估计器,每组只需两个样本且无需额外的成对奖励模型调用。理论上可将 9B 策略的不动点定位到 ℓ1 距离 0.02 以内、以 Pearson r=0.995 预测策略集中度;在 GlobalOpinionQA 上 GRPO 坍缩到多数派答案、误差比未训练模型更大,Team-GRPO 将误差从 0.20 降到 0.08;在 NoveltyBench 上 Team-GRPO 避免了 GRPO 的多样性坍缩并显著提升集合效用。
推荐理由
论文证明了 GRPO 的组相对基线会改变优化目标,并提出 Team-GRPO 作为无偏替代,理论预测与实验数据都给得具体。
来源:arXiv · cs.CL · arxiv.org