如果目标是通过工具使用成功率优化模型，你会选择 DPO 还是 GRPO？请说明理由和可能存在的问题。

回答思路

1. 明确选择并给出理由（如 GRPO 更利于探索和奖励区分）
2. 能分析工具使用场景下奖励信号的特点（是否正确使用工具、结果成败等）
3. 讨论可能存在的问题，如不确定性奖励、长轨迹稀疏信号
4. 提出缓解措施或备选方案