GRPO的组内基线可以分方向调：按策略分组的偏移量，让多解覆盖率小幅但稳定上升
GRPO把同一提示下的所有采样放在一个组均值基线上打分，但同一提示的采样往往走不同解题策略，各策略的奖励分布并不相同。这项工作把子组均值相对全局均值的偏离定义为子组偏移，用一个带符号系数沿偏移移动基线：取正号把信用拉向采样在自己子组内的位置，取负号把信用拉向子组整体质量。在Qwen3-8B-Base与Olmo3-7B-Base、四个竞赛级数学基准上，两个方向相对共享同一策略采样、只改基线的对照都取得小幅但一致的提升，且集中在pass@16，负号方向更强。