引言

在大模型后训练（Post-training）阶段，强化学习（RLHF / RLAIF）已经成为决定模型能力上限的关键因素之一。近期，GLM-5.2 在训练算法上从 GLM-5.1 使用的 GRPO（Generalized Reward Policy Optimization）切换到更经典的 PPO（Proximal Policy Optimization），并带来了明显的效果提升。

这一变化并非简单的“算法替换”，而是一次在稳定性、泛化能力以及训练可控性上的系统性升级。

PPO vs GRPO

本文将从三个层面展开分析：

  1. PPO 与 GRPO 的核心原理
  2. 两种算法的关键差异
  3. 为什么 PPO 能带来“质的提升”

PPO（Proximal Policy Optimization）原理

1. 背景

PPO 是 OpenAI 在 2017 年提出的一种策略梯度方法，是 TRPO（Trust Region Policy Optimization）的工程化简化版本，目前已经成为 RLHF 训练中的事实标准。

2. 核心思想

PPO 的核心目标是：

在优化策略的同时，限制新旧策略之间的偏移，防止训练不稳定。

其优化目标函数为：

[ L^{PPO}(\theta) = \mathbb{E}\left[\min\left(r_t(\theta) A_t,\ \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon) A_t\right)\right] ]

其中：

  • ( r_t(\theta) = \frac{\pi_\theta(a|s)}{\pi_{\theta_{old}}(a|s)} )
  • ( A_t )：优势函数（Advantage）
  • ( \epsilon )：裁剪系数（通常 0.1~0.2）

3. 关键机制

PPO 的稳定性来源于三点：

Clipping 机制

限制策略更新幅度，防止“过度优化”。

dvantage Estimation（GAE）

降低方差，提高训练稳定性。

多步更新（Epoch）

在同一批数据上进行多次优化，提高 sample efficiency。

4. 在大模型中的作用

在 LLM 训练中，PPO 通常用于：

  • 对齐人类偏好（RLHF）
  • 控制生成风格（安全、格式、推理能力）
  • 平衡 exploration vs exploitation

GRPO（Generalized Reward Policy Optimization）原理

1. 背景

GRPO 是在 RLHF 场景中提出的一种**去 Value Function（无 critic）**的优化方法，其目标是：

简化 PPO 训练流程，降低工程复杂度，同时提升吞吐。

2. 核心思想

GRPO 的关键在于：

  • 不训练 value model
  • 不计算 advantage（或用简化替代）
  • 直接基于 reward 进行相对优化

典型流程：

  1. 对同一 prompt 采样多个输出（N samples）
  2. 使用 reward model 打分
  3. 做归一化或排序
  4. 使用相对奖励更新策略

可表示为：

[ L^{GRPO} = \mathbb{E}\left[\log \pi_\theta(a|s) \cdot \hat{R}(a)\right] ]

其中：

  • ( \hat{R}(a) )：归一化后的 reward（如 rank-based 或 mean-centered）

3. 关键特点

无 Critic 架构

避免 value model 训练的不稳定性。

Batch 内对比学习

依赖同一 prompt 下多个样本的“相对优劣”。

高吞吐

更适合大规模并行训练（尤其是多 GPU 推理采样）。

PPO vs GRPO：核心差异对比

维度PPOGRPO
是否使用 Value Model✅ 使用❌ 不使用
Advantage 计算✅ GAE❌ 无（或简化）
稳定性⭐⭐⭐⭐⭐⭐⭐⭐
训练复杂度高低
样本效率高中
并行友好性中高
对 reward 依赖中高
对数据质量敏感性中高

PPO vs GRPO

为什么 GLM-5.2 从 GRPO 切换到 PPO？

这是本文的核心问题。

1. GRPO 的瓶颈

尽管 GRPO 在工程上更简单，但存在几个关键问题：

Reward 噪声放大

GRPO 强依赖 reward 的“相对排序”，当：

  • reward model 不够精确
  • 多样本之间差异较小

会导致：

梯度信号极不稳定

缺乏长期信用分配（Credit Assignment）

GRPO 没有 value function：

  • 无法建模长期回报
  • 对长链推理（CoT）不友好

训练容易 collapse

在某些情况下：

  • 模型会过拟合 reward model
  • 输出趋于模式化（mode collapse）

2. PPO 的优势在 GLM-5.2 中体现

更稳定的优化路径

PPO 的 clipping + advantage：

  • 避免策略震荡
  • 保证逐步改进（monotonic improvement）

更好的推理能力（Reasoning）

PPO 的 value function：

  • 能对“中间步骤”进行隐式建模
  • 更适合 chain-of-thought / multi-step reasoning

对 reward model 依赖降低

相比 GRPO：

  • PPO 不完全依赖 reward 排序
  • 对 reward 噪声更鲁棒

更强的泛化能力

PPO 本质上优化的是：

策略分布，而不是样本排序

因此在：

  • 未见任务
  • 长文本生成
  • 工具调用

等场景中更稳定。

一个直观理解：排序 vs 回归

可以用一个类比帮助理解：

  • GRPO：像做“排序学习”

    • 哪个答案更好？
    • 强依赖 pairwise / listwise 对比

  • PPO：像做“回归优化”

    • 当前策略离最优策略有多远？
    • 有连续的优化方向

结论：

GRPO 更“快”，PPO 更“稳且准”。

总结

GLM-5.2 从 GRPO 切换到 PPO，本质上是一次：

从工程效率优先 → 模型能力优先 的转变

关键结论

  1. GRPO 适合：

    • 快速训练
    • 大规模并行
    • reward 明确的任务

  2. PPO 更适合：

    • 高质量对齐
    • 复杂推理任务
    • 长上下文生成

  3. 在当前 LLM 发展阶段：

稳定性、泛化能力、推理能力 > 训练吞吐

因此，PPO 的回归成为一个“必然选择”。

结语

强化学习算法的选择，正在成为大模型能力差异的关键分水岭。从 GRPO 到 PPO，不只是算法切换，更代表着：

大模型训练从“能跑”走向“跑得好、跑得稳”。

未来我们很可能看到：

  • PPO + DPO 混合范式
  • 或新的 off-policy RL 方法
  • 甚至 reward-free alignment

但在当前阶段：

PPO 仍然是最稳健的工业级选择。