SetGRPO 提出校准评分器扰动的策略优化方法，在 Qwen3.5 与 Llama3.2 上十个基准拿下最高宏平均

针对基于评分器的强化学习（GRPO）中评分随机性会改变整组训练系数的问题，论文提出 SetGRPO。方法包含三个模块：联合奖励集合校准、几何引导安全恢复和选择性风险门控优化，在可交换性条件下提供有限样本边际覆盖与风险控制。在覆盖三个领域的十个开放式基准上，SetGRPO 在 Qwen3.5 和 Llama3.2 两个模型家族的所有对比训练方法中取得最高宏平均。