待验证50% 置信基准精确时间
与标准 GRPO 训练相比，ReTerm-GRPO 在多种不同错误类别上都取得了更稳定、更高的恢复率。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/14
首次发现
有效期至：2027/1/12
来源
涉及实体
相关事实
待验证GRPO及其变体在实际训练中往往会遇到训练崩溃、奖励震荡、后期性能下降等问题70% 相似待验证GRPO 的核心特点是对同一个输入生成一组候选输出，用这组输出的相对优劣计算优势值，不需要像 PPO 那样训练独立的 critic/value 网络。69% 相似已验证GRPO 对同一问题采样多个响应并在组内计算相对奖励来估计基线，省去了单独训练价值网络的开销69% 相似已验证GRPO相比PPO省去了价值网络（Critic），直接在组内样本间比较奖励来估计优势函数，显著降低训练计算成本69% 相似待验证在Zork I上使用GRPO强化学习几乎达到完美的预算遵守，并能泛化到训练中未见过的新预算档位65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1023944API
curl https://kongchang.com/api/v1/knowledge/claims/1023944MCP
get_claim(id=1023944)