Optimisation de la politique des séquences de groupe

Ce document présente Group Sequence Policy Optimization (GSPO), un algorithme d'apprentissage par renforcement stable, efficace et performant destiné à l'entraînement des grands modèles linguistiques. Contrairement aux algorithmes précédents qui utilisent des ratios de pertinence au niveau des tokens, GSPO définit le ratio de pertinence en fonction de la probabilité de la séquence et applique une découpe, une récompense et une optimisation au niveau des séquences. Nous démontrons que GSPO offre une efficacité et une performance d'entraînement supérieures par rapport à l'algorithme GRPO, et stabilise particulièrement l'entraînement par renforcement de type Mixture-of-Experts (MoE). De plus, il a le potentiel de simplifier la conception de l'infrastructure d'apprentissage par renforcement. Ces avantages de GSPO ont permis des améliorations remarquables dans les derniers modèles Qwen3.