LLM的强化学习训练最近进展很快，SOTA模型在各种推理benchmark上的表现确实亮眼。但更值得关注的其实是另一条信息——从Rutgers到Alibaba再到HKUST，这些研究团队正在攻克的是RL领域的一个老大难：怎么控制好熵，同时避免模型退化成毫无用处的确定性输出。
三篇新论文给出了不同角度的解法：CE-GPPO、EPO和AsyPPO。虽然切入点各有不同，但合在一起就能发现它们正在重塑大规模推理模型的训练方法论。下面详细说说这三个工作到底做了什么。
标准PPO在熵控制上的失效
先说policy entropy这个概念。熵衡量模型输出的随机性或者说多样性程度——高熵对应探索不同解法，低熵则是锁定单一策略。经典PPO算法的做法很简单：importance sampling ratio超出(1−ε, 1+ε)范围就直接clip掉。
这样的话问题出在哪？PPO的clipping会把低概率token的梯度信息扔掉，而这些token在推理任务里恰恰很关键。比如让模型做AIME 2025的题目，或者让它完成一个30轮的科学实验，那些探索性的、概率不高的路径往往藏着突破口。标准PPO的策略感觉这个路径"太冒险了，clip掉算了"，结果就是：
熵坍缩：模型太快变成确定性的，卡在平庸策略上出不来；熵爆炸：模型乱探索，根本收敛不了
具体例子就是在ScienceWorld这种多步骤、稀疏reward的环境里跑一下原版PPO就知道了，entropy会剧烈震荡，模型啥也学不到。
CE-GPPO：有界梯度恢复机制
快手提出的CE-GPPO（Controlling Entropy via Gradient-Preserving Policy Optimization）核心思路是用有界的方式把被clip掉的梯度拿回来。
Token的四类划分
CE-GPPO按概率和advantage把token分成四类：
- **PAHP (Positive Advantage, High Probability)**：模型喜欢的、该强化的token
- **NALP (Negative Advantage, Low Probability)**：差的探索token，要抑制
- **PALP (Positive Advantage, Low Probability)**：好的探索token，这是论文说的金子
- **NAHP (Negative Advantage, High Probability)**：高概率但该减少的token
标准PPO直接clip掉PALP和NALP，这样梯度信号全丢了，而CE-GPPO用系数α₁和α₂把它们重新引入：
stop-gradient操作允许独立调节α₁（exploitation强度）和α₂（exploration强度）。设α₁=0、α₂=1就退化成DAPO的clip-higher trick，但CE-GPPO的框架灵活得多。
https://avoid.overfit.cn/post/f7fe0bdff36c4c7a906c9ee678df11a4