| # DAPO: An Open-Source LLM Reinforcement Learning System at Scale |
|
|
|
|
|
|
| [Decoupled Clip and Dynamic sAmpling Policy Optimization (DAPO)](https://arxiv.org/abs/2503.14476)在GRPO的基础上设置了几种trick，分别是 |
| - [Clip Higher](#clip-higher) |
| - [Dynamic Sampling](#dynamic-sampling) |
| - [Token level Loss](#token-level-loss) |
| - [Overlong Filtering](#overlong-filtering) |
| - [Soft Overlong Punishment](#soft-overlong-punishment) |
|
|
| ## Clip Higher |
| PPO和GRPO使用对称裁剪范围(如±0.2)限制策略更新幅度，虽然保证了稳定性，但也制约了模型的探索能力。特别是当某些token在旧策略中概率极低时，即使当前梯度显示其应被强化(A>0)，最大增幅也被严格限制。 |
|
|
| DAPO使用非对称裁剪范围, 提高上裁剪范围来鼓励模型进行探索： |
|
|
| - 上界(鼓励侧)放宽至0.28 |
| - 下界(抑制侧)保持0.2不变 |
|
|
| GRPO中，默认使用`epsilon`设置用对称裁剪范围 |
|
|
| 使用参数 |
|
|
| - `epsilon_high` 设置上裁剪范围，此时参数`epsilon` 为下裁剪范围 |
|
|
| ## Dynamic Sampling |
| GRPO对每个问题采样多个回答计算组间优势， |
|
|
| $$ |
| \hat{A}_{i,t} = \frac{R_i - \text{mean}(\{R_j\}_{j=1}^G)}{\text{std}(\{R_j\}_{j=1}^G)} |
| $$ |
| 而当生成的所有输出{oi}获得相同奖励时，组间优势等于0，会出现梯度消失导致训练效率下降 |
|
|
| DAPO引入动态采样策略解决这一问题： |
|
|
| - 采样阶段跳过组间奖励标准差为0的数据 |
| - 持续生成样本直到填满批次 |
|
|
|
|
| 使用参数 |
|
|
| - `dynamic_sample true` 来开启动态采样 |
| - `max_resample_times` 设置最多重采样次数 |
|
|
| ## Token level Loss |
| GRPO 在归一化损失时采用句子级归一化，这会导致损失计算具有长度偏差。 |
|
|
| DAPO 使用token级归一化，避免了回答长度在损失计算上的偏差。 |
|
|
| 使用参数 |
|
|
| - loss_type bnpo/dapo 来使用token级归一化 |
| |
| > loss_type 计算公式可参考[文档](../DeveloperGuide/loss_types.md) |
|
|
| ## Overlong Filtering |
| DAPO 认为被强制截断的回复的奖励噪声较大，可能会导致模型难以区分质量问题和长度问题。为此，DAPO 筛除了训练中被截断的数据，使其不参与损失计算。 |
|
|
| 使用参数 |
|
|
| - overlong_filter 开启对超长样本的过滤 |
| |
| |
| ## Soft Overlong Punishment |
| 语言模型常面临生成长度控制难题： |
| |
| - 过长输出可能被截断，导致正确内容被误判 |
| |
| - 无约束生成长度影响实用性和计算效率 |
| |
| DAPO 设计了三段式长度惩罚函数： |
| |
| $$ |
| R_{\text{length}}(L) = |
| \begin{cases} |
| 0, & L \leq L_{\text{max}} - L_{\text{cache}} \\[10pt] |
| \dfrac{(L_{\text{max}} - L_{\text{cache}}) - L}{L_{\text{cache}}}, & L_{\text{max}} - L_{\text{cache}} < L \leq L_{\text{max}} \\[10pt] |
| -1, & L > L_{\text{max}} |
| \end{cases} |
| $$ |
| |
| 在长度位于 $(L_{\text{max}} - L_{\text{cache}} < L \leq L_{\text{max}})$ 区间时设置线性递增惩罚，在 $(L > L_{\text{max}})$ 时设置最大惩罚(-1) |
| |
| |
| 使用参数 |
| |
| - `reward_funcs soft_overlong` 启用该奖励函数 |
| - `soft_max_length` 设置L_max，默认等于为模型的最长输出长度(max_completion_length)。 |
| - `soft_cache_length`: 设置L_cache |
| |
| ## 参数设置 |
| 综上所述，我们可以基于GRPOTrainer，设置以下参数实现 DAPO 训练。 |
| |
| | 参数 | 类型 | 值 | |
| |----------------------|-----------|-------------| |
| | `--loss_type` | `str` | `bnpo`/`dapo`| |
| | `--epsilon_high` | `float` | `0.28` | |
| | `--dynamic_sample` | `bool` | `true` | |
| | `--max_resample_times` | `int` | `3` | |
| | `--overlong_filter` | `bool` | `true` | |
| | `--reward_funcs` | `str` | `soft_overlong`| |
| | `--soft_cache_length` | `int` | `4096`| |
|
|
