待验证50% 置信事实精确时间

LongZero使用GRPO算法对模型进行训练，混合多跳推理和多轮检索两类任务。

1

来源数

50%

置信度

长期有效

时效性

2026/10/22

首次发现

来源

LongZero：零数据强化学习提升LLM长上下文推理

涉及实体

LongZeroconcept GRPOconcept

相关事实

已验证GRPO（Group Relative Policy Optimization）由DeepSeek提出，无需单独训练价值网络，已成为当前智能体RL训练的主流算法选择75% 相似待验证DeepSeek在训练阶段大量使用GRPO算法替代传统的RLHF来压缩训练成本72% 相似已验证GRPO由DeepSeek团队系统化提出并在训练DeepSeek-R1系列模型时得到大规模验证72% 相似待验证DeepSeek团队报告，仅用GRPO在数学和代码数据上进行强化学习而不经过监督微调，模型便自发出现反思、回溯验证等链式推理行为（aha moment）71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1084158

API

curl https://kongchang.com/api/v1/knowledge/claims/1084158

MCP

get_claim(id=1084158)