年初的 DeepSeek-R1，帶來了大模型強化學習（RL）的火爆。無論是數(shù)學推理、工具調(diào)用，還是多智能體協(xié)作，GRPO（Group Relative Policy Optimization）都成了最常見的 RL 算法。
(資料圖片僅供參考)
GRPO 的核心思路很簡單卻強大：
- 對同一個問題，同時生成多條解答路徑（rollout）
- 給這些路徑打分，比較組內(nèi)優(yōu)劣
- 再根據(jù)優(yōu)勢信號來更新模型參數(shù)，讓模型越來越偏好高質(zhì)量解法
這種「多路徑并行 + 組內(nèi)優(yōu)勢」的機制，雖然比傳統(tǒng) PPO 等方法更加簡潔，但仍然需要優(yōu)化模型參數(shù)， 太貴了！
- 在 32B 量級的模型上訓練一次 RL，就可能要花掉上萬美元
- 如果是 600B 級別的超大模型，成本和工程難度更是上天
這讓 GRPO 雖然強大，卻幾乎只能由巨頭來玩，中小團隊和個人開發(fā)者根本「玩不起」。
能不能不改模型參數(shù)，也來跑一遍 GRPO？
騰訊優(yōu)圖的一篇最新論文就提出了一個非常有意思的答案：既然更新參數(shù)這么貴，那就不更新參數(shù)，直接把 GRPO 的「學習過程」搬進上下文空間！
- 論文標題：Training-Free Group Relative Policy Optimization
- arXiv 鏈接：
- https://arxiv.org/abs/2510.08191
- GitHub 地址：
- https://github.com/TencentCloudADP/youtu-agent/tree/training_free_GRPO
Training-Free GRPO 是把 GRPO 訓練的整個范式遷移到了上下文學習之中：
- 訓練集上多輪迭代學習，然后在獨立的測試集上驗證
- 每輪中，對同一道題目并行生成多條解答（Rollout）
- 對比組內(nèi)不同解法的差異，提取文本型組內(nèi)優(yōu)勢（Semantic Group Advantage），對齊 GRPO 里的數(shù)值型組內(nèi)優(yōu)勢
- 根據(jù)這些文本優(yōu)勢優(yōu)化一個文本型 LoRA，對齊 GRPO 里的參數(shù)型 LoRA
舉個例子，對于訓練集里這道數(shù)學幾何題，模型會生成多個不同的解答路徑（Rollout），可能會出現(xiàn)不同的解題路徑，有的做對了有的做錯了。
隨后，模型總結(jié)不同解法的過程與正確性，從而比較同一組內(nèi)的不同解答。這個過程自然提煉出文本型組內(nèi)優(yōu)勢：總結(jié)出有的做法為什么對，有的做法為什么錯。比如例子里：
- 錯誤的解法不僅設(shè)錯方向，還沒有做條件約束檢查
- 成功的解法則正確了設(shè)定坐標方向，也系統(tǒng)化驗證了所有條件
在一個迭代里，得到每道題的文本型組內(nèi)優(yōu)勢后，模型就把當前批次的優(yōu)勢都更新文本型 LoRA 里，也就是對經(jīng)驗庫進行增刪改，沉淀學習到的經(jīng)驗。
實驗效果
在數(shù)學推理上，僅用100 個訓練樣本，花費約 8-18 美元，就能在已經(jīng)足夠強大的 671B 模型上繼續(xù)提升性能。
無論是否采用代碼工具（CI，code interpreter）幫助解題，在 AIME 榜單上的 Mean@32 指標都能實現(xiàn)提升。
令人驚喜的是，在三個輪次中，訓練集和測試集的平均工具調(diào)用次數(shù)均有所減少。這表明 Training-Free GRPO 不僅能夠鼓勵正確的推理和行動，還能教會代理找捷徑，更高效明智地使用工具。
而在網(wǎng)頁搜索場景中，Training-Free GRPO 同樣無需更新模型參數(shù)，即可在 DeepSeek-V3.1-Terminus 強悍水平之上，實現(xiàn)了 4.6% 的 Pass@1 顯著提升。
為什么需要 Training-Free GRPO？
- 保留 GRPO 的強化學習優(yōu)勢
多路徑探索、group advantage、多輪迭代、完全獨立的訓練與測試集……這些 GRPO 的精華一項不少，全部在上下文層面重現(xiàn)了出來。
- 成本暴降
不用訓練模型參數(shù)，僅需少量數(shù)據(jù)，并且全程只靠 API 隨用隨付！
只需 8～18 美元以及 100 條訓練數(shù)據(jù)，就能在 671B LLM 上跑完多輪的強化學習訓練！遠遠低于 32B 模型的訓練成本。
- 泛化更好
與 Self-Refine 這類就地改寫不同，Training-Free GRPO 是在獨立數(shù)據(jù)集上多輪迭代訓練的，對測試集里的 Out-of-Domain (OOD) 數(shù)據(jù)都有顯著提升。
并且，參數(shù)微調(diào)后的 32B 級別模型往往只能勝任特定窄域任務(wù)，可能需要多個專用模型來覆蓋完整業(yè)務(wù)需求，顯著增加了系統(tǒng)復(fù)雜度和維護成本。而 Training-Free GRPO 只需要一個統(tǒng)一的模型和 API 就可以泛化到不同的場景！
小結(jié)：RL 不一定非得有梯度
過去我們默認，強化學習就意味著參數(shù)更新。雖然前期有一些上下文空間優(yōu)化的探索如 Self-Refine、Reflexion、TextGrad 等，但 Training-Free GRPO 與他們不同，完全對齊了參數(shù)空間 RL 訓練的流程和細節(jié)：
- 把 GRPO 的「獨立訓練集 + 多輪迭代 + 并行 Rollout + 組內(nèi)優(yōu)勢」這套 RL 訓練范式，整體遷移到上下文空間，在不訓練模型的情況下，也能獲得強化學習效果。
- 這讓超大模型的 RL 優(yōu)化變得廉價、靈活、可持續(xù)，也給每個開發(fā)者的小業(yè)務(wù)提供了用得起的新方案。
本文方法已開源，歡迎 Star 和試用！
預(yù)告：Training-Free GRPO 將作為一個新功能集成到 Youtu-Agent 框架中，幫助開發(fā)者們進一步提升各種自定義場景的效果。
注：成本計算基于 DeepSeek API 官方定價，實際可能因使用情況而有所波動。
關(guān)鍵詞： 調(diào)用 算法 上下文 空間學習 深度思考模
責任編輯：Rex_22
