DeepSeek-R1 近期的成功与开源特性，使得面向大模型推理（Large Reasoning Models, LRMs）的强化学习方法——群体相对策略优化（Group Relative Policy Optimization, GRPO）受到了广泛关注。在本工作中，我们针对二元奖励设定下的 GRPO 目标函数进行了分析，揭示了其在问题层级上存在的固有难度偏差问题。同时，我们发现了 GRPO 与监督学习中传统判别式方法之间存在的内在联系。基于这些洞察，我们提出了一种全新的判别式约束优化（Discriminative Constrained Optimization, DisCO）框架，用于强化 LRMs 的训练，该框架建立在判别式学习的基本原则上。DisCO 与 GRPO 及其近期变体的主要区别体现在三个方面：（1）它用由评分函数定义的判别式目标替代了原有的群体相对目标；（2）摒弃了基于裁剪（clipping）的代理目标，转而采用无需裁剪的强化学习代理目标作为评分函数；（3）采用一种简单而有效的约束优化方法，以有效控制 KL 散度约束。因此，DisCO 相较于 GRPO 及其变体展现出显著优势：（i）通过采用判别式目标，完全消除了难度偏差；（ii）通过引入非裁剪评分函数与约束优化机制，有效缓解了 GRPO 及其变体中存在的熵不稳定性问题，实现了更长且更稳定的训练动态；（iii）能够融合先进的判别式学习技术，以应对数据不平衡问题——在训练过程中，大量问题生成的负向回答数量远多于正向回答。我们在提升 SFT 微调模型数学推理能力的实验中验证了 DisCO 的性能。结果表明，DisCO 显著优于 GRPO 及其改进变体（如 DAPO），在六项基准任务上，对于 15 亿参数模型，平均性能分别比 GRPO 提升 7%，比 DAPO 提升 6%。