概念
别名：Gradient-based Policy Optimization
用于强化学习训练的梯度优化方法
已跟踪 13 条高相关材料
最近变化
2026-10-22 · ThinkingBox使Qwen3.8-27B的20/20任务完成率从38提升至107
为什么值得关注
GRPO 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
从高拟真到真可用，LongCat-Video-Avatar 1.5 正式开源
美团技术团队 · 9.2 分
LongCat-Video-Avatar 1.5 开源版本在唇形同步、物理合理性、长视频稳定性等方面实现显著提升，支持复杂商业场景下的高质量数字人视频生成。
https://t.co/nw0GoHamCI
宝玉(@dotey) · 9.2 分
DeepSeek通过多项底层技术创新构建低成本高效能模型体系，旨在撬动中国10万亿美元AI硬件生态并实现自身万亿美元市值。
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
Hugging Face Blog · 8.5 分
ThinkingBox将数据库评分转化为强化学习奖励，使Qwen3.8-27B模型任务完成率提升69%。
已收录 13 条与 GRPO 相关的内容，按评分排序。
The open-sourced version of LongCat-Video-Avatar 1.5 significantly improves lip-sync accuracy, physical realism, and long-video stability for commercial-grade digital human video generation.
入选理由：采用 Whisper-large 编码器，提升唇形同步与动作稳定性。
DeepSeek builds a low-cost, high-efficiency model system through multiple foundational innovations to drive China's $10 trillion AI hardware ecosystem and achieve its own $1 trillion valuation.
入选理由：DeepSeek V4 Pro在100万上下文中仅需5.48GB HBM显存，远低于竞品的60-89GB。
ThinkingBox将数据库评分转化为强化学习奖励，使Qwen3.8-27B模型任务完成率提升69%。
入选理由：ThinkingBox使Qwen3.8-27B的20/20任务完成率从38提升至107
ProVer方法通过LLM法官和rollouts动态分配信用，显著提升强化学习模型性能。
入选理由：ProVer在Qwen3.5-2B上实现9.91%性能提升，4B模型提升7.12%
腾讯在LLM强化学习中通过调整批处理大小和学习率，显著提升训练效率。PPO吞吐量提升2.29倍，GRPO验证时间减少29%。
入选理由：学习率重调可在批处理规模变化时保持学习效果稳定性
腾讯在LLM强化学习中通过调整批处理大小和学习率，显著提升训练效率，节省29%时间。
入选理由：学习率调整可保持学习效果，批处理范围扩大2.29倍
Google利用Tunix和Cloud TPUs实现LLM微调的自主研究循环，显著提升效率。
入选理由：AI代理可自动优化LoRA参数和学习率调度，减少人工干预
Salesforce推出的Koa模型在CRM任务中表现接近 Claude Opus，通过结构化流程描述构建RL环境可提升企业模型训练效果。
入选理由：Koa在Tau2Bench得分69.41，超越其基座模型68.64分
使用GRPO方法微调350M模型可在100步内提升IFStruct基准性能至29.7%。
入选理由：GRPO微调使350M模型在IFStruct基准上提升7.1个百分点（22.6%→29.7%）
ClawGym II通过混合harness训练提升RL代理性能，Qwen3-30A3B在Pass@1上提升显著。
入选理由：混合harness训练使模型在200-400优化步中保持稳定性能提升
英伟达推出开源框架 Polar，显著提升 Codex 等智能体的性能和效率。
入选理由：Polar 框架让 Codex 在 SWE-Bench Verified 测试中的 pass@1 分数提升了 594.74%。
SFT may introduce distribution bias during the training of multimodal large models, leading to performance degradation in the RL phase. PRISM addresses this issue through a three-stage pipeline.
入选理由：SFT可能导致模型性能下降，如Qwen3-VL-8B SFT后准确率下降5.2%
文章介绍了一种通过挖掘会话数据自动生成SKILL.md的方法，但实际效果有限。
入选理由：OpenAI 的 Codex 能够从交互中打包技能，但效果有限。
