待验证50% 置信观点精确时间
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。
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69% 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68% 相似待验证绝大多数模型的预训练语料是闭源的，导致成员推断研究只能依赖启发式方法构造成员与非成员，可能引入系统性偏差64% 相似待验证研究建议与其追求单一完美奖励，不如系统性预判并测试模型可能利用的捷径，并在设计阶段纳入对抗性验证64% 相似待验证去审查主要影响模型的拒绝倾向，而非基础推理与生成能力，因此在编码等非对齐敏感任务上能力损失不显著64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1025867API
curl https://kongchang.com/api/v1/knowledge/claims/1025867MCP
get_claim(id=1025867)