AGPO：具有双重统计反馈的自适应组策略优化

强化学习可提升大语言模型推理能力，但传统 PPO/GRPO 方法因固定裁剪与解码温度导致训练脆弱且调参困难。本文提出自适应组策略优化（AGPO），一种无需评论家的 GRPO 改进版，利用组级统计量控制更新幅度与探索策略。AGPO 通过共享探针衍生的统计状态驱动两个控制器：一是基于奖励分散度、偏度及策略熵等指标的自适应裁剪；二是根据相对基线的中心化不确定性进行双向自适应温度采样。在九个中英文数学/STEM 基准测试中，AGPO 训练的 Qwen2.5-14B 表现优于同等 token 预算下的 PPO/GRPO，验证了模块的有效性与互补性。