清华 AIR 和字节的 SIA Lab 发布了开源强化学习系统 DAPO，显著提升了大语言模型的训练效率。与 GRPO 相比，DAPO 在 AIME 2024 基准测试中表现更佳，训练步数减少了50%。该系统通过动态采样和奖励建模等新技术，解决了熵崩溃等问题，推动了模型推理能力的发展。