通义千问提出 GSPO：迈向持续拓展的语言模型强化学习

通义千问提出 GSPO（Group Sequence Policy Optimization）强化学习算法，以序列级别重要性比率执行裁剪与优化，解决 GRPO 长期训练的不稳定与不可逆模型崩溃问题。