HASH GAME - Online Skill Game GET 300

　　强化学习（RL）是提升语言模型推理与问题求解能力的关键技术。然而，现有算法如 GRPO 在长期训练中存在严重不稳定性，限制了性能提升。为此，我们提出 **Group Sequence Policy Optimization (GSPO)**，通过在序列层面定义重要性比率并进行优化，显著提升了训练效率与稳定性。GSPO 在 MoE 模型训练中表现出色，无需依赖复杂策略即可实现高效训练，简化了 RL 基础设施。该算法已成功应用于 Qwen3 系列模型，推动 RL scaling 边界，释放模型潜能。