待验证50% 置信事实精确时间
GRPO的监督粒度是序列级，整条回答共享一个优势值，无法指出推理链中哪一步出错。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
涉及实体
相关事实
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。76% 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71% 相似待验证grep只能返回匹配的文本行，无法判断哪些结果对当前任务真正有价值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69% 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。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1073347API
curl https://kongchang.com/api/v1/knowledge/claims/1073347MCP
get_claim(id=1073347)