Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2601.05242

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2601.05242 (cs)
[提交于 2026年1月8日 ]

标题: GDPO:多奖励RL优化的组奖励解耦归一化策略优化

标题: GDPO: Group reward-Decoupled Normalization Policy Optimization for Multi-reward RL Optimization

Authors:Shih-Yang Liu, Xin Dong, Ximing Lu, Shizhe Diao, Peter Belcak, Mingjie Liu, Min-Hung Chen, Hongxu Yin, Yu-Chiang Frank Wang, Kwang-Ting Cheng, Yejin Choi, Jan Kautz, Pavlo Molchanov
摘要: 随着语言模型的能力不断增强,用户期望它们不仅能提供准确的回答,还能在各种场景中表现出与多样化人类偏好一致的行为。 为了实现这一目标,强化学习(RL)流程开始结合多个奖励,每个奖励捕捉一种不同的偏好,以引导模型朝着这些期望的行为发展。 然而,最近的研究在多奖励设置下默认应用了组相对策略优化(GRPO),而没有检验其适用性。 在本文中,我们证明了直接将GRPO应用于不同的回放奖励组合会导致它们坍缩为相同的优势值,降低了训练信号的分辨率,导致训练信号次优收敛,有时甚至导致早期训练失败。 随后,我们引入了组奖励解耦归一化策略优化(GDPO),这是一种新的策略优化方法,通过解耦单个奖励的归一化来解决这些问题,更忠实地保留它们的相对差异,并实现更精确的多奖励优化,同时显著提高了训练稳定性。 我们在三个任务中将GDPO与GRPO进行了比较:工具调用、数学推理和编码推理,评估了正确性指标(准确性、错误率)和约束遵循指标(格式、长度)。 在所有设置中,GDPO始终优于GRPO,证明了其在多奖励强化学习优化中的有效性和通用性。
摘要: As language models become increasingly capable, users expect them to provide not only accurate responses but also behaviors aligned with diverse human preferences across a variety of scenarios. To achieve this, Reinforcement learning (RL) pipelines have begun incorporating multiple rewards, each capturing a distinct preference, to guide models toward these desired behaviors. However, recent work has defaulted to apply Group Relative Policy Optimization (GRPO) under multi-reward setting without examining its suitability. In this paper, we demonstrate that directly applying GRPO to normalize distinct rollout reward combinations causes them to collapse into identical advantage values, reducing the resolution of the training signal and resulting in suboptimal convergence and, in some cases, early training failure. We then introduce Group reward-Decoupled Normalization Policy Optimization (GDPO), a new policy optimization method to resolve these issues by decoupling the normalization of individual rewards, more faithfully preserving their relative differences and enabling more accurate multi-reward optimization, along with substantially improved training stability. We compare GDPO with GRPO across three tasks: tool calling, math reasoning, and coding reasoning, evaluating both correctness metrics (accuracy, bug ratio) and constraint adherence metrics (format, length). Across all settings, GDPO consistently outperforms GRPO, demonstrating its effectiveness and generalizability for multi-reward reinforcement learning optimization.
评论: NVIDIA技术报告
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI); 机器学习 (cs.LG)
引用方式: arXiv:2601.05242 [cs.CL]
  (或者 arXiv:2601.05242v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2601.05242
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Shih-Yang Liu [查看电子邮件]
[v1] 星期四, 2026 年 1 月 8 日 18:59:24 UTC (1,948 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2026-01
切换浏览方式为:
cs
cs.AI
cs.LG

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号