**Latent-GRPO 深度解析：在连续思维空间中做强化学习**

_Latent-GRPO and Continuous Reasoning Deep Dive_

> 该文深入剖析 Latent-GRPO，主张让模型在连续嵌入空间中递归思考，而非生成大段离散文本 token，以摆脱“token 税”。文章梳理 Coconut、SofT-GRPO、CoLaR、SLPO、Switch 等连续推理路线，讨论在连续嵌入上做策略梯度的探索难题，并提出两遍回放（two-pass replay）架构实现精确反向传播；在 Qwen3.6-27B 上的基准显示，每步 rollout 时间从 1878 秒降至 132.7 秒。文中还指出离散 CoT 会耗尽上下文、膨胀 KV 缓存，并导致多达三分之一的 rollout 因 token 上限被截断而零奖励、污染梯度更新。

**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：ai-models
- **发布时间**：2026-09-24 06:26（北京时间）
- **原文**：[打开原文](https://www.g-ftech.com/blog/latent-grpo-deep-dive)