正文：2025年7月28日，通义千问团队首次公开强化学习新算法GSPO，其训练效率超越字节跳动的GRPO算法。GSPO通过定义序列级别的重要性比率并优化，解决了混合专家模型的训练稳定性问题，在同等算力下性能显著提升。实验显示，GSPO无需Routing Replay策略即可高效收敛，并在AIME’24等多个权威基准任务中表现出色。此外，GSPO裁剪token比例比GRPO高百倍，但仍保持更高效率，同时简化了RL基础设施需求。该算法已成功应用于Qwen3模型的大规模训练，释放了RL scaling潜能。