通义千问新算法TAPO比GRPO好用吗？
GRPO现在是大模型后训练阶段的工业标准。但TAPO的研究团队指出GRPO有两个根本缺陷。一是"隐式且不可控的监督"——AI只是机械地模仿正确版本的"数字画像"，从未真正理解自己的错误在哪里。二是在错误点上施加过大的惩罚信号，会让AI的"思维多样性"逐渐下降，越来越保守。TAPO的做法更有教育学的味道。它借鉴了维果茨基的"最近发展区"理论——真正有效的教学必须从学习者当前的理解水平出发，包括他们的错误。TAPO从错误答案里挑一个，再从正确答案里随机挑一个作参考，让AI自己分析错误，找出第一个关键错误点，保留之前的正确推理，插入一段诊断，然后重新推理。这在AIME 2024、AIME 2025和HMMT 2025这些顶级数学竞赛题上，TAPO在相同训练步数下都优于GRPO。
发布于 四川
分享
评论
赞
未登录
友善发言
评论
加载中
