待验证50% 置信基准精确时间
在 De Oliveira 等人的对照实验中，除 CartPole 之外，PPO 在所有任务上都胜出；GRPO 的组加权机制相比朴素 batch mean 并没有带来更好的表现。
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De Oliveira 等人的工作（arXiv:2511.03527）在五个经典控制任务上对比了无 critic 方法与 PPO。71% 相似待验证GRPO 在推理模型上的成功依赖一组特定条件：终局奖励、可重放环境、预训练先验；当这些条件不成立时，被删掉的 critic 所承担的工作没有人接手，退化就出现了。62% 相似待验证组相对优势是 GRPO 等方法的核心机制，通过组内平均奖励为基准计算每条输出的相对优势，替代传统 RL 中难以估计的价值函数61% 相似待验证基于oracle的诊断性评测发现，仅依赖最终答案奖励的GRPO几乎没有改善感知能力，准确率提升主要来自语言推理侧59% 相似待验证在推理深度、响应速度、成本效率之间存在帕累托前沿取舍，没有单一模型能在所有任务维度同时达到最优55% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1025864API
curl https://kongchang.com/api/v1/knowledge/claims/1025864MCP
get_claim(id=1025864)