待验证50% 置信事实精确时间
GRPO 可以概括为 PPO 减去 critic，再加上一个组内均值 baseline。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证GRPO相比传统PPO算法的关键创新在于通过对同一问题采样多个输出计算组内相对得分替代独立的价值网络，降低显存占用77% 相似待验证GRPO通过对同一输入生成一组候选输出，以组内相对奖励而非绝对奖励信号来更新模型，降低了对独立价值网络（critic）的依赖70% 相似待验证GRPO这类答案级优势分配算法并非万能，当答案内部各句质量差异较大时均匀分配优势值会稀释信号，甚至强化错误行为。69% 相似待验证GRPO的核心创新在于完全去掉了价值网络，通过对同一问题采样多个回答形成一个组，用组内回报的均值作为基准63% 相似待验证标准 GRPO 从任务初始状态采样多条轨迹，而 ReTerm-GRPO 将采样起点改为智能体自身已失败的状态。61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1025858API
curl https://kongchang.com/api/v1/knowledge/claims/1025858MCP
get_claim(id=1025858)