内容摘要：伊利诺伊大学厄巴纳-香槟分校的研究团队于2026年6月30日发布了预印本论文arXiv:2607.00152），深入剖析了当前主流AI推理模型的训练机制。这项研究揭示了一个被广泛忽视的事实：目前业界广

伊利诺伊大学厄巴纳-香槟分校的训旋钮研究团队于2026年6月30日发布了预印本论文（arXiv:2607.00152），深入剖析了当前主流AI推理模型的练方训练机制。这项研究揭示了一个被广泛忽视的拨法事实：目前业界广泛使用的三种训练方法——GRPO、Dr. GRPO和DAPO，训旋钮并非独立的练方创新，而是拨法对同一数学变量（组内标准差）进行的三种不同操作。

一、训旋钮 被误解的练方“技术创新”：三种方法背后的统一逻辑

在AI推理领域，诸如数学解题、拨法代码生成和逻辑推理等复杂任务，训旋钮依赖于一种特殊的练方训练机制。过去几年，拨法研究界推出了三种看似独立的训旋钮训练算法，各自拥有独立的练方论文、命名体系及改进逻辑。拨法然而，本研究通过拆解其数学推导发现，这三种方法本质上是在处理同一个数字：标准差（Standard Deviation）。

更具体地说，这个标准差衡量的是模型在多次回答同一道题时，正确与错误答案之间的分歧程度。

二、 底层机制：为何需要“重复刷题”？

现代AI推理模型的训练逻辑与人类“刷题”有本质区别。训练阶段会将同一题目提交给模型多次（如8次或16次），这些重复并非为了展示，而是为了生成训练信号。

• 全错或全对无意义：若模型8次全错，说明其完全未掌握，无成功经验可模仿；若8次全对，说明已完全掌握，无失败案例可警示。
• 分歧产生价值：只有当部分答对、部分答错时，训练系统才能对比“正确思维路径”与“错误思维路径”的差异，从而引导模型优化。

这种“有对有错”的状态即为组内标准差。当正确率为50%时，分歧最大，标准差最高，学习信号最强；全对或全错时，标准差为零，学习信号消失。

三、 三种方法的本质：同一个旋钮的三种拨法

研究者指出，GRPO、Dr. GRPO和DAPO均围绕“标准差σ”这一核心变量进行操作：

1. GRPO（群体相对策略优化）：
2. 操作：将训练信号除以标准差σ。

3. 效果：对训练强度进行均衡化。极难或极简单的题目因标准差小，获得的权重更高。这是目前DeepSeek等团队广泛使用的方法。

4. Dr. GRPO（正确版GRPO）：

5. 操作：去掉除法，直接使用原始训练信号。

6. 效果：消除GRPO对极端难度题目的过度关注。题目获得的关注程度仅与答对比例成正比，实现对各难度题目的公平对待。

7. DAPO（解耦裁剪动态采样策略优化）：

8. 操作：过滤标准差为零的情况（即全对或全错的题目组）。
9. 效果：通过动态替换，确保每次更新都基于有分歧的数据，避免计算资源浪费在无效样本上。

结论：这三种方法并非三个独立的发明，而是对同一个“旋钮”（标准差处理机制）的不同设置。

四、 核心定理：群体标准差恒等式

研究证明了一个关键数学结论：GRPO产生的实际训练更新量，恰好等于组内标准差乘以“正确答案特征与错误答案特征之差”。

公式表达为：
$$ \text{Update} \propto \sqrt{\frac{k(G-k)}{G}} \times (\text{Avg}{\text{correct}} - \text{Avg}) $$}

其中 $k$ 为答对次数，$G$ 为总采样次数。

这一发现的深远意义：
* 标准差即信号强度：标准差不仅是分母，它本身就是学习信号的“大小”。
* 摇摆状态最有价值：如同学生复习，只有“时而做对、时而做错”的题目才值得重点练习。全对无需练，全错无从练，唯有分歧处才是学习增量所在。

五、 三大实用结论与数据验证

基于上述恒等式，研究者推导出了三个直接指导实践的结论：

1. 采样次数与难度的关系

为了达到理论最大学习信号的 $(1-\epsilon)$ 倍，所需采样次数 $G$ 与题目答对概率 $p$ 相关：
$$ G \approx \frac{1}{8epsilon p(1-p)} $$

• 规律：难度越极端（$p$ 接近0或1），所需采样次数越多。
• 数据：
• 中等难度题（$p=0.5$）：采样10-11次即可达到高精度。
• 超难题（$p=0.05$）：需采样约70次才能达到同等精度。
• 现状问题：常用固定采样数（如 $G=8$）对中等题充分（实现93%信号），但对超难题严重不足（仅实现54%信号）。

2. “沉默组”造成的资源浪费

当题目全对或全错时，形成“沉默组”（Silent Groups），产生零学习信号。
* 概率公式：$P(\text{silent}) = p^G + (1-p)^G$
* Big-Math数据集实证：
* 在 $G=8$ 时，44%的题目组为沉默组。
* 即使 $G=64$，仍有 17%为沉默组。
* 11.2%的题目在任何采样次数下永远沉默（因难度极端恒定）。
* 启示：DAPO通过动态替换沉默组，系统性消除了这部分计算浪费。

3. 优化目标的本质差异

• GRPO：隐式优化 反正弦变换目标$2 \times \arcsin(\sqrt{p})$。
• 边际权重为 $1/\sqrt{p(1-p)}$。
• $p=0.5$ 时权重为2；$p=0.05$ 时权重约为4.6。GRPO天然偏向极端难度题目。
• Dr. GRPO：优化原始答对率 $p$。
• 权重恒为1。对所有难度一视同仁。

六、 实验验证：理论预测与现实高度吻合

研究者在Big-Math数据集（215,608道题）及模拟实验中验证了上述理论：

1. 梯度分配差异：
2. GRPO将 24.7%的梯度分配给极端难度题目。
3. Dr. GRPO仅分配 13.9%。

4. 差距近1.8倍，证实了GRPO对极端题目的偏好。

5. 模拟训练结果：

6. 沉默组比率：实验曲线与理论预测契合度 $R^2=0.999$。
7. 学习速度：
8. GRPO：在极难题目上进步最快（150步后答对率0.99），因权重高。
9. Dr. GRPO：进步均匀，但极难题目提升较慢（答对率0.88）。
10. DAPO：速度最快，但需承担3.5倍的额外采样开销以维持动态替换。

七、 实践建议：如何选择？

本研究并非判定“哪种方法最好”，而是提供决策依据：

• 选择 GRPO：若你希望重点攻克极难题目，且接受隐式优化目标变为反正弦变换。
• 选择 Dr. GRPO：若你希望模型在整体答对率上均匀提升，不偏不倚对待各难度层级。
• 选择 DAPO：若你重视计算效率，愿意通过额外采样开销来确保每次更新都产生有效信号，避免资源浪费在沉默组上。

八、 局限性与展望

• 适用范围：核心等式针对二元奖励（0/1）和单次在线更新。对于KL惩罚、离策略更新、非二元奖励等复杂场景，需额外处理。
• 模型简化：实验基于简化标量模型，真实语言模型动态更复杂，但数学恒等式在任意维度策略空间均成立。
• 通用框架：该分析框架可推广至优势函数、奖励裁剪等其他训练设计，将工程选择还原为可理解的数学操作。

总结：分歧越大，学习越多；无分歧，则无学习。理解这一核心机制，有助于AI从业者更精准地设计训练策略。

---

Q&A

Q1：GRPO和Dr. GRPO到底有什么实质区别，哪个效果更好？
A：实质区别在于是否除以组内标准差。GRPO除以标准差，隐式优化反正弦变换，赋予极端难度题目更高权重（偏向极难/极简单）；Dr. GRPO去掉除法，优化原始答对率，对所有难度一视同仁。没有绝对优劣，取决于目标：想攻克极难题选GRPO，想整体均匀提升选Dr. GRPO。

Q2：GRPO训练时为什么要让AI对同一道题做很多遍，不是很浪费资源吗？
A：重复作答旨在测量模型的不确定性。只有出现“部分对、部分错”的分歧时，才能对比路径差异，产生有效学习信号。全对或全错时，无论重复多少次，信号均为零。重复采样的目的是捕捉这种“摇摆状态”，而非单纯浪费资源。

Q3：DAPO的动态采样是什么意思，它解决的是什么问题？
A：DAPO针对“沉默组”（全对或全错导致标准差为零）问题。当检测到某题组无分歧时，直接丢弃并替换为有分歧的新样本。在Big-Math数据集中，G=8时有44%的题目组沉默，DAPO通过动态替换将计算资源集中于有效学习信号上，提升了训练效率。