Agent 学习与策略优化PPO vs GRPO vs DPO 适用场景?本页总览PPO vs GRPO vs DPO 适用场景?Agent 学习与策略优化中级对齐 题目 PPO vs GRPO vs DPO 适用场景? 参考答案 点击展开参考答案 PPO与GRPO通常依赖在线或近在线采样,DPO直接优化离线偏好对,三者在奖励和稳定性上取舍。 追问方向:可继续讨论组内奖励方差、组大小和全部同奖时的训练信号。