据通义千问Qwen消息，为持续拓展强化学习（Reinforcement Learning，RL），阿里Qwen提出了Group Sequence Policy Optimization (GSPO) 算法，该算法不同于以往的RL算法，它定义了序列级别的重要性比率，并在序列层面执行裁剪、奖励和优化。