目标：
降低错误样本的长度 (token-level loss)
训练更加稳定 (overlong filter)
避免generation entropy的塌陷（higher clip）
提高训练效率（dynamic sample）
Method
整体优化目标如下
J
=
E
(
q
,
a
)
∼
D
,
{
o
i
}
G
i
=
1
∼
π
o
l
d
(
⋅
|
q
)
[
1
∑
G
i
=
1
|
o
i
|
G
∑
i
=
1
|
o
i
|
∑
t
=
1
min
(
r
i
,
t
(
θ
)
A
i
,
t
,
c
l
i
p
(
r
i
,
t
(
θ
)
,
1
−
ϵ
l
o
w
,
1
+
ϵ
h
i
g
h
)
A
i
,
t
)
]
s
.
t
.
0
<
|
{
o
i
|
i
s
_
e
q
u
i
v
a
l
e
n
t
(
o
i
,
a
)
}
|
<
G
其中
r
i
,
t
(
θ
)
=
π
θ
(
o
i
,
t
|
q
,
o
i
,
<
t
)
π
o
l
d
(
o
i
,
t
|
q
,
o
i
,
<
t
)
,
A
i
,
t
=
R
i
−
m
e
a
n
(
{
R
i
}
G
i
=
1
)
s
t
d
(
{
R
i
}
G
i
=
1
)
这里DAPO剔除了KL散度惩罚项，它认为
在RLHF场景下，RL的目标是在不偏离原是模型分布下对齐人类偏好（即仅学习人类偏好，而不改变模型原有知识能力），因此需要添加KL惩罚项。
然而在训练long-cot的reasoning模型时，其目标是为了提升模型的能力（math、推理、code等）训练前后的模型分布可以是显著不一样的，KL惩罚项可能会限制模型的探索新知识的能力，因此去除。
分为以下四个方面
1. Raise the Ceiling: Clip-Higher
考虑到clip的是一个概率的比值
π
θ
π
o
l
d
，在
π
o
l
d
不同的情况下，会影响clip的范围
例如
π
o
l
d
=
0.1
，
π
θ
=
0.2
, 此时比值为
2
，此时policy会认为模型前后变化过大，而不训练此数据。但这条数据是值得训练的，只是old的概率比较小。
虽然比值是2倍，但其实数值上只多了0.1，因此还是需要被训练的，并没有影响收敛。
同时，实验也验证了上面发现的问题。实验发现GRPO中 被clip掉的token的平均概率的最大值均小于0.2 ，即
max
s
t
e
p
[
E
(
q
,
a
)
∼
D
,
{
o
i
}
G
i
=
1
∼
π
o
l
d
(
⋅
|
q
)
,
t
∼
|
o
i
|
π
θ
(
o
i
,
t
|
q
,
o
i
,
<
t
)
]
<
0.2
image-20251018164023025
大量小概率的token被clip掉了，这验证了
ϵ
h
i
g
h
阻碍了低概率token 概率的增长。
因此可以提高上限
ϵ
h
i
g
h
来提高A>0的低概率token的概率，从而避免entropy变小的过快，输出单一化。
image-20251018153934403
值得注意的现象，提高
ϵ
h
i
g
h
e
r
之后：
RL的avg@32更高的
避免了熵塌的现象（因为高的
ϵ
h
i
g
h
e
r
鼓励模型探索原先小概率的正向轨迹，提高了多样性）
此外，old模型小概率sample并没有影响原有
ϵ
l
o
w
这是因为，
ϵ
l
o
w
是在A<0的sample起作用，若重要性采样的比值很大，并不会对A<0的token进行裁剪。
2. The More the Merrier: Dynamic Sampling
考虑到如果一个sample的G个rollout的奖励
{
R
i
}
G
i
=
1
都是0或都是1，那么所有的优势A都是0，这并不会更新policy，会导致效率低下
因此使用动态采样的方法，一直采样直到一个sample的G个rollout的R 不全是0 或不全是1.
0
<
|
{
o
i
|
i
s
_
e
q
u
i
v
a
l
e
n
t
(
o
i
,
a
)
}
|
<
G
上述公示的含义是，对于QA对
(
q
,
a
)
，
o
i
和答案
a
相同的个数在
(
0
,
G
)
的区间内。
3. Rebalancing Act: Token-Level Policy Gradient Loss
DAPO任务 sample-level的loss（每个rollout的贡献度是一样的），然后不同rollout的长度不一样，过长的样本对模型的影响更大一些：
过长的样本会导致模型难以学习推理模式 【置信度低，困惑度高】
过长的样本中存在一些不必要的 重复的话【长度增长过快】
因此使用token-level的技术，长度越大的rollout，贡献度越大。
通过grpo sample-level loss得知，grpo并不在意response的长短（不同长度的sample的贡献度均为相同），然而长度越长A越大，因此response的长度会快速的增加。
但是DAPO认为长度越长的sample的贡献度越大，因此过长的sample是对的会重点强化（提高概率），但是错了的话，会重点惩罚，从而减小错的长response的概率，即
P
(
l
e
n
(
o
i
)
>
δ
|
A
<
0
)
下降。
image-20251018161556211
同时，通过实验发现，DAPO的response的平均长度并没有无脑、快速增长。
Hide and Seek: Overlong Reward Shaping
考虑到过长的response会被截断无法得到结果，这会导致奖励极低，
因此采用mask的方式，在训练的时候过滤掉过长response的损失。
image-20251018171402542
实验发现，添加overlong filter之后，训练更加稳定（entropy，acc上），避免了noise。
DAPO进一步提出了soft overlong punishment，其实是基于长度的奖励，就不用进行filter操作了，直接赋予低的R就可以了，有利于降低response的长度。添加了一个cache的缓冲区，从而soft。
R
(
y
)
=
⎧
⎪
⎪
⎨
⎪
⎪
⎩
0
,
|
y
|
≤
L
m
a
x
−
L
c
a
c
h
e
−
|
y
|
−
(
L
m
a
x
−
L
c
a
c
h
e
)
L
c
a
c
h
e
,
L
m
a
x
−
L
c
a
c
h
e
<
|
y
|
≤
L
m
a
x
−
1
,
L
m
a
x
<
|
y
|
代码解析待更新（verl实现dapo部分）
重塑业务与应用边界：EA落地的建模方法)
