Comparative Analysis and Parametric Tuning of PPO, GRPO, and DAPO for LLM Reasoning Enhancement
Fuente:
arXiv
Enregistré dans:
| Auteur principal: | Lian, Yongsheng |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
GRPO-$λ$: Credit Assignment improves LLM Reasoning
par: Parthasarathi, Prasanna, et autres
Publié: (2025)
par: Parthasarathi, Prasanna, et autres
Publié: (2025)
Multi-Task GRPO: Reliable LLM Reasoning Across Tasks
par: Ramesh, Shyam Sundhar, et autres
Publié: (2026)
par: Ramesh, Shyam Sundhar, et autres
Publié: (2026)
Uncalibrated Reasoning: GRPO Induces Overconfidence for Stochastic Outcomes
par: Bereket, Michael, et autres
Publié: (2025)
par: Bereket, Michael, et autres
Publié: (2025)
Scaf-GRPO: Scaffolded Group Relative Policy Optimization for Enhancing LLM Reasoning
par: Zhang, Xichen, et autres
Publié: (2025)
par: Zhang, Xichen, et autres
Publié: (2025)
GanitLLM: Difficulty-Aware Bengali Mathematical Reasoning through Curriculum-GRPO
par: Dipta, Shubhashis Roy, et autres
Publié: (2026)
par: Dipta, Shubhashis Roy, et autres
Publié: (2026)
Segmental Advantage Estimation: Enhancing PPO for Long-Context LLM Training
par: Gong, Xue, et autres
Publié: (2026)
par: Gong, Xue, et autres
Publié: (2026)
S-GRPO: Early Exit via Reinforcement Learning in Reasoning Models
par: Dai, Muzhi, et autres
Publié: (2025)
par: Dai, Muzhi, et autres
Publié: (2025)
AMIR-GRPO: Inducing Implicit Preference Signals into GRPO
par: Yari, Amir Hossein, et autres
Publié: (2026)
par: Yari, Amir Hossein, et autres
Publié: (2026)
ExGRPO: Learning to Reason from Experience
par: Zhan, Runzhe, et autres
Publié: (2025)
par: Zhan, Runzhe, et autres
Publié: (2025)
7B Fully Open Source Moxin-LLM/VLM -- From Pretraining to GRPO-based Reinforcement Learning Enhancement
par: Zhao, Pu, et autres
Publié: (2024)
par: Zhao, Pu, et autres
Publié: (2024)
From Reasoning to Code: GRPO Optimization for Underrepresented Languages
par: Pennino, Federico, et autres
Publié: (2025)
par: Pennino, Federico, et autres
Publié: (2025)
What is the Alignment Objective of GRPO?
par: Vojnovic, Milan, et autres
Publié: (2025)
par: Vojnovic, Milan, et autres
Publié: (2025)
Mode-Dependent Rectification for Stable PPO Training
par: Mohamad, Mohamad, et autres
Publié: (2026)
par: Mohamad, Mohamad, et autres
Publié: (2026)
GRPO-VPS: Enhancing Group Relative Policy Optimization with Verifiable Process Supervision for Effective Reasoning
par: Wang, Jingyi, et autres
Publié: (2026)
par: Wang, Jingyi, et autres
Publié: (2026)
Stepwise Guided Policy Optimization: Coloring your Incorrect Reasoning in GRPO
par: Chen, Peter, et autres
Publié: (2025)
par: Chen, Peter, et autres
Publié: (2025)
GRPO is Secretly a Process Reward Model
par: Sullivan, Michael, et autres
Publié: (2025)
par: Sullivan, Michael, et autres
Publié: (2025)
Learning to Tune Pure Pursuit in Autonomous Racing: Joint Lookahead and Steering-Gain Control with PPO
par: Elgouhary, Mohamed, et autres
Publié: (2026)
par: Elgouhary, Mohamed, et autres
Publié: (2026)
Stratified GRPO: Handling Structural Heterogeneity in Reinforcement Learning of LLM Search Agents
par: Zhu, Mingkang, et autres
Publié: (2025)
par: Zhu, Mingkang, et autres
Publié: (2025)
SofT-GRPO: Surpassing Discrete-Token LLM Reinforcement Learning via Gumbel-Reparameterized Soft-Thinking Policy Optimization
par: Zheng, Zhi, et autres
Publié: (2025)
par: Zheng, Zhi, et autres
Publié: (2025)
CIM-PPO:Proximal Policy Optimization with Liu-Correntropy Induced Metric
par: Guo, Yunxiao, et autres
Publié: (2021)
par: Guo, Yunxiao, et autres
Publié: (2021)
PPO-Clip Attains Global Optimality: Towards Deeper Understandings of Clipping
par: Huang, Nai-Chieh, et autres
Publié: (2023)
par: Huang, Nai-Chieh, et autres
Publié: (2023)
ExO-PPO: an Extended Off-policy Proximal Policy Optimization Algorithm
par: Wang, Hanyong, et autres
Publié: (2026)
par: Wang, Hanyong, et autres
Publié: (2026)
Representation over Routing: Diagnosing Temporal Routing Pathologies in Multi-Timescale PPO
par: Sun, Jing
Publié: (2026)
par: Sun, Jing
Publié: (2026)
Noise-corrected GRPO: From Noisy Rewards to Unbiased Gradients
par: Mansouri, Omar El, et autres
Publié: (2025)
par: Mansouri, Omar El, et autres
Publié: (2025)
A Unified Framework for Rethinking Policy Divergence Measures in GRPO
par: Wu, Qingyuan, et autres
Publié: (2026)
par: Wu, Qingyuan, et autres
Publié: (2026)
Smaller Models are Natural Explorers for Policy-Level Diversity in GRPO
par: Ren, Yiming, et autres
Publié: (2026)
par: Ren, Yiming, et autres
Publié: (2026)
An Approximate Ascent Approach To Prove Convergence of PPO
par: Doering, Leif, et autres
Publié: (2026)
par: Doering, Leif, et autres
Publié: (2026)
IB-GRPO: Aligning LLM-based Learning Path Recommendation with Educational Objectives via Indicator-Based Group Relative Policy Optimization
par: Wang, Shuai, et autres
Publié: (2026)
par: Wang, Shuai, et autres
Publié: (2026)
When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift
par: Vogt-Lowell, Kevin, et autres
Publié: (2026)
par: Vogt-Lowell, Kevin, et autres
Publié: (2026)
When Learning Rates Go Wrong: Early Structural Signals in PPO Actor-Critic
par: Fernández-Hernández, Alberto, et autres
Publié: (2026)
par: Fernández-Hernández, Alberto, et autres
Publié: (2026)
CoRPO: Adding a Correctness Bias to GRPO Improves Generalization
par: Garg, Anisha, et autres
Publié: (2025)
par: Garg, Anisha, et autres
Publié: (2025)
Prefix Grouper: Efficient GRPO Training through Shared-Prefix Forward
par: Liu, Zikang, et autres
Publié: (2025)
par: Liu, Zikang, et autres
Publié: (2025)
TOPPO: Rethinking PPO for Multi-Task Reinforcement Learning with Critic Balancing
par: Li, Yuanpeng, et autres
Publié: (2026)
par: Li, Yuanpeng, et autres
Publié: (2026)
FPBoost: Fully Parametric Gradient Boosting for Survival Analysis
par: Archetti, Alberto, et autres
Publié: (2024)
par: Archetti, Alberto, et autres
Publié: (2024)
BinaryPPO: Efficient Policy Optimization for Binary Classification
par: Pandey, Punya Syon, et autres
Publié: (2026)
par: Pandey, Punya Syon, et autres
Publié: (2026)
DPO Meets PPO: Reinforced Token Optimization for RLHF
par: Zhong, Han, et autres
Publié: (2024)
par: Zhong, Han, et autres
Publié: (2024)
A Robust PPO-optimized Tabular Transformer Framework for Intrusion Detection in Industrial IoT Systems
par: She, Yuanya
Publié: (2025)
par: She, Yuanya
Publié: (2025)
OpInf-LLM: Parametric PDE Solving with LLMs via Operator Inference
par: Wang, Zhuoyuan, et autres
Publié: (2026)
par: Wang, Zhuoyuan, et autres
Publié: (2026)
Alignment Dynamics in LLM Fine-Tuning
par: Huang, Yuhan, et autres
Publié: (2026)
par: Huang, Yuhan, et autres
Publié: (2026)
Discovering Hidden Algebraic Structures via Transformers with Rank-Aware Beam GRPO
par: Lee, Jaeha, et autres
Publié: (2025)
par: Lee, Jaeha, et autres
Publié: (2025)
Documents similaires
-
GRPO-$λ$: Credit Assignment improves LLM Reasoning
par: Parthasarathi, Prasanna, et autres
Publié: (2025) -
Multi-Task GRPO: Reliable LLM Reasoning Across Tasks
par: Ramesh, Shyam Sundhar, et autres
Publié: (2026) -
Uncalibrated Reasoning: GRPO Induces Overconfidence for Stochastic Outcomes
par: Bereket, Michael, et autres
Publié: (2025) -
Scaf-GRPO: Scaffolded Group Relative Policy Optimization for Enhancing LLM Reasoning
par: Zhang, Xichen, et autres
Publié: (2025) -
GanitLLM: Difficulty-Aware Bengali Mathematical Reasoning through Curriculum-GRPO
par: Dipta, Shubhashis Roy, et autres
Publié: (2026)