GRPO 组内优势计算器
GRPO 把 Critic 换成「组」：同一道题采样一组回答，组均值就是免费的基线，组内标准差定幅度——得分减均值再除以标准差就是每条回答的优势。滑一组奖励看两步账怎么走，再亲手试试组大小这条生命线：全对全错的组白采，组大小取 1 时完全失效。
公式口径与知识库《DPO / GRPO 等后训练新范式》动手节逐字对齐：优势 = (r − 组均值) / (组标准差 + 1e-6)，标准差用总体口径（除 N，对齐 statistics.pstdev）；默认组 0.9/0.1/0.6/0.2 → 优势 +1.41 / −1.09 / +0.47 / −0.78 逐字复现；组大小影响区为固定种子的规则奖励抽样，真公式，零 API。
同一道题采样一组回答，组均值就是免费的 Critic：高于组均值受奖、低于受罚，幅度按组内标准差归一。滑一组奖励，逐步看每条优势怎么算出来——再亲手试两个边界：全对白采、组大小 = 1 完全失效。
组大小 n
4
同一道题的回答数
组均值（基线）
0.45
替代 Critic 的免费基线
组标准差（幅度）
0.32
总体口径 · 除 N（pstdev）
每条回答的优势
高于组均值 · 受奖 低于组均值 · 受罚
+1.41
0.90-1.09
0.10
+0.47
0.60-0.78
0.20
中间横线是零线（优势为 0 的位置）：条的上下位置只看这条回答高不高于组均值，条的长短由「偏离几个标准差」决定——组内分数全相等时零线上一条条都没有。
组内奖励（裁判给的分数）
R10.90+1.41
R20.10-1.09
R30.60+0.47
R40.20-0.78
优势 = (r − 组均值) / (组标准差 + 1e-6)，基线 = 组均值，幅度 = 组标准差
文章锚点与边界，点一下复现
0.90 那条回答的优势 +1.41——比组均值高 1.4 个标准差，更新时被强力拉向；0.10 那条 -1.09，被推开。受奖受罚的分界线就是组均值。
组大小是生命线
n = 8换一个更贴近实战的场景：对/错规则奖励（答对 1、答错 0），真实对率 0.5。固定种子抽一个 n 条的组，看「免费基线」随组大小稳不稳——GRPO 原文每组 64 条不是白给的。
抽到的组
5 对 3 错
基线（组均值）
0.63 偏差 +0.13
白采率 pⁿ+(1−p)ⁿ
0.7813%
组均值偏了 +0.13：这个基线本身就不准，所有回答拿它对表——小组的「免费 Critic」很毛糙。
滑杆从 2 起步：再往下就是组大小 = 1——基线就是自己，优势恒为零，点上面的「组大小 = 1」可以直接试。