본 논문은 대규모 언어 모델(LLM)의 사후 훈련 안정성을 개선하기 위해 Group Variance Policy Optimization (GVPO) 기법을 제시합니다. 기존의 Group Relative Policy Optimization (GRPO)와 같은 방법들이 샘플링 증가를 통해 성능 향상을 이루지만 훈련 불안정성 문제를 겪는 것과 달리, GVPO는 KL 제약된 보상 극대화 문제의 해석적 해를 기울기 가중치에 직접 통합하여 최적 정책과의 정렬을 보장합니다. GVPO는 최적 해의 유일성을 보장하고, 온-폴리시 및 중요도 샘플링의 한계를 극복하는 유연한 샘플링 분포를 지원하는 등의 장점을 제공하며, 이론적 보장과 실용적인 적응성을 통합하여 안정적이고 다재다능한 LLM 사후 훈련을 위한 새로운 패러다임을 제시합니다.