低成本高效能！腾讯新算法挑战传统微调方式

一种颠覆性的模型优化思路

腾讯AI实验室近日公开了一项极具突破性的模型优化技术——Training-Free GRPO（无训练组相对策略优化）。这项技术完全跳脱传统模型微调的框架，通过创新性地引入外部知识库机制，在不改动模型参数的前提下，实现了媲美数万元微调方案的优化效果。

不靠参数更新，也能提升性能

与传统微调需要重新训练模型参数不同，Training-Free GRPO的核心在于将经验知识转化为token级别的先验信息。这意味着，即使模型参数完全冻结，也能通过外部知识库的动态更新实现性能提升。这种“外挂式”优化方式，不仅避免了昂贵的参数更新过程，还大幅降低了对计算资源的需求。

实验验证：性能提升显著

在DeepSeek-V3.1-Terminus模型上的测试结果表明，Training-Free GRPO在多个关键任务中表现优异：

• 在AIME24数学竞赛测试中，准确率从80%提升至82.7%
• 在AIME25测试中，准确率更是从67.9%跃升至73.3%
• 网络搜索任务中，Pass@1指标从63.2%提升到67.8%

更令人印象深刻的是，这些提升仅基于100个跨域训练样本。相比之下，传统强化学习方法通常需要数千个样本才能达到类似效果，成本往往高达数万美元。

成本对比：从万元级到百元级

成本方面，Training-Free GRPO的优势尤为突出：

这种巨大的成本差距，主要得益于该方法无需进行梯度回传和参数更新等高计算密度操作。

潜在影响与未来展望

这项技术的发布，为AI模型优化提供了全新的思路。尤其对于资源有限的中小企业和研究机构来说，这种低成本、高效率的优化方式，极大地降低了大模型应用的门槛。

不过，目前的测试数据主要集中在数学推理和信息检索等特定任务上，其适用范围和在更多场景下的表现仍有待进一步验证。腾讯团队也表示，未来将持续探索该方法在更多领域的应用潜力。

如需深入了解这项技术，可查阅其论文地址：https://arxiv.org/abs/2510.08191