GRPO中，同组样本的reward全部相同时，组内相对advantage会怎样？如果这种情况频繁出现，会如何影响学习，应怎样排查和处理？

归一化$A_i=(r_i-mean)/std$在组内全相同时分子分母同时为零，实现约定（除以带 ε 的 std 或显式判断）输出全零优势——该组对策略更新零贡献，因为没有相对好坏信息（policy gradient 对奖励的平移不变性使然）。频繁出现的排查顺序：1）奖励分辨率——可验证奖励是否只有 0/1 两档、成功后无质量差异，可加分级质量分或部分奖励；2）难度错配——组内全对或全错，说明任务对当前策略太易或太难，应按成功率筛选训练集做课程，保留中间难度；3）组大小——G 太小时全同概率高，增大组或引入 DAPO 式 dynamic sampling（过滤全零组后重采）；4）实现 bug——std 的 ε 过大把微小差异也归零。应把「零优势组比例」作为训练健康度核心监控指标，其持续上升通常意味着该换数据了。

加分点：把零优势组与基线直觉联系起来——组内没有差异就没有学习信号，这与「优势对奖励平移不变」一致；提到 DAPO 的 dynamic sampling 或按 pass rate 动态调度任务难度是前沿加分；以及警惕用「加稠密小奖励」救零组的副作用——会破坏可验证奖励的可信性。