Skip to main content

Group Sequence Policy Optimization (GSPO)

简介​

Group Sequence Policy Optimization (GSPO) 是阿里巴巴Qwen团队提出的一种强化学习算法，用于训练大语言模型1。GSPO通过以下方式工作：

  1. 序列级优化：与GRPO等算法不同，GSPO在序列级别而非token级别进行重要性比率计算、奖励分配和优化。
  2. 组采样：对于给定的问题，模型生成多个可能的解决方案，形成一个"组"的输出。
  3. 奖励分配：每个解决方案都会被评估并分配一个基于其正确性或质量的奖励。
  4. 基线计算：组的平均奖励作为基线。
  5. 策略更新：模型通过将每个解决方案的奖励与组基线进行比较来更新其参数。

GSPO 配置参数​

在 ROLL 中，使用GSPO算法特有的配置参数如下：

# GSPO related
adv_estimator: "reinforce"
importance_sampling: seq
rollout_batch_size: 64  # prompt
num_return_sequences_in_group: 8
prompt_length: 2048
response_length: 4096

# ppo related
ppo_epochs: 1
use_kl_loss: true
kl_loss_coef: 0.001
loss_agg_mode: "seq-mean-token-sum"

# advantage
whiten_advantages: true
advantage_clip: 2.0
dual_clip_loss: true
# clip
reward_clip: 10
# normalize
reward_norm: null
reward_shift: false
reward_scale: false

# reward
add_token_level_kl: false

核心参数说明​

  • adv_estimator: 优势估计器类型，设置为 "reinforce"
  • importance_sampling: 重要性采样方式，设置为 "seq" 表示序列级采样
  • rollout_batch_size: 每个rollout_batch_size prompt的数量
  • num_return_sequences_in_group: 每个prompt生成的response数量（组大小），每个pipeline step训练的总样本数是(rollout_batch_size * num_return_sequences_in_group)
  • prompt_length: prompt的最大长度
  • response_length: response的最大长度

PPO 相关参数​

以下参数是PPO里常见的参数，但在 GSPO 中同样适用：

  • ppo_epochs: 每个批次样本的优化轮数
  • use_kl_loss: 是否使用 KL 散度损失
  • kl_loss_coef: KL-loss系数
  • loss_agg_mode: 损失聚合模式，默认值是"seq-mean-token-sum", Literal["token-mean", "seq-mean-token-sum", "seq-mean-token-mean", "seq-mean-token-sum-norm"]
  • whiten_advantages: 是否对优势值进行白化处理
  • advantage_clip: 优势值裁剪范围
  • dual_clip_loss: 是否使用双重裁剪损失
  • reward_clip: 奖励值裁剪范围
  • reward_norm: 奖励归一化类型，可选值为 "batch", "group", "running", null
  • reward_shift: 是否在奖励归一化中仅减去均值
  • reward_scale: 是否在奖励归一化中仅除以标准差
  • add_token_level_kl: 是否添加 token 级别的 KL 惩罚

GSPO 与 GRPO 的区别​

GSPO 与 GRPO 算法的主要区别：

对比维度GRPO (Group Relative Policy Optimization)GSPO (Group Sequence Policy Optimization)
优化粒度Token级别优化序列级别优化，与奖励计算的粒度保持一致
重要性比率计算基于token级别的概率比计算，每个token独立计算重要性权重基于序列级别的概率比计算，通过几何平均平滑处理，计算整个序列的联合概率比
专家混合模型(MoE)支持在MoE模型中训练不稳定，需要额外技巧来维持专家激活的一致性天然支持MoE模型训练，无需额外技巧，因为只关注序列级别的似然
方差控制由于逐token计算重要性权重，容易引入高方差噪声通过序列级重要性采样和长度归一化，显著降低了方差
裁剪机制在token级别进行裁剪，可能导致不一致的梯度更新在序列级别进行裁剪，提供更一致和稳定的梯度更新

参考示例​

可以参考以下配置文件来设置 GSPO 训练：

  • ./examples/docs_examples/example_gspo.yaml

参考文献​

[1]: Qwen Team. "Group Sequence Policy Optimization." arXiv preprint arXiv:2507.18071 (2025). https://arxiv.org/abs/2507.18071