TRL 文件
論文索引
加入 Hugging Face 社群
並獲得增強的文件體驗
開始使用
論文索引
此部分正在建設中。歡迎貢獻!
組序列策略最佳化 (Group Sequence Policy Optimization)
📜 論文: https://huggingface.co/papers/2507.18071
GSPO 是 GRPO 的一種變體,它在序列級別而不是每個標記級別計算重要性取樣權重。要復現論文中的設定,請使用此配置
from trl import GRPOConfig
training_args = GRPOConfig(
importance_sampling_level="sequence",
loss_type="grpo",
beta=0.0, # GSPO set kl regularization to zero: https://github.com/volcengine/verl/pull/2775#issuecomment-3131807306
epsilon=3e-4, # GSPO paper (v2), section 5.1
epsilon_high=4e-4, # GSPO paper (v2), section 5.1
gradient_accumulation_steps=1,
steps_per_generation=4, # partition rollout batch into 4 mini-batches. GSPO paper (v2), section 5.1. Must be 4 times gradient_accumulation_steps
)