阿里提出 I-SDPO 框架，解决 GRPO 中的退化梯度问题

heghbalz · x · 2026-08-17

阿里巴巴最新论文提出 I-SDPO 框架，旨在解决后训练强化学习（GRPO）中的退化梯度问题。当提示词极难导致整组响应失败时，策略梯度会归零，模型无法学习。虽然自蒸馏能提供 token 级目标，但长期开启会限制模型风格。I-SDPO 通过实例级别的自适应蒸馏来平衡这一点：仅在整组失败时启用特权自蒸馏，一旦有单次成功即刻切换回标准 GRPO。