待验证50% 置信事实精确时间
GRPO的原始论文和主流复现均采用组内均值作为基线，未深入探讨替代方案。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/28
首次发现
有效期至：2027/1/26
来源
涉及实体
相关事实
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67% 相似待验证GRPO 可以概括为 PPO 减去 critic，再加上一个组内均值 baseline。67% 相似待验证在on-policy rollout中，错误的伪标签词很少出现，因此组相对优势始终与干净转写对齐，这是GRPO抗噪的机制解释。66% 相似待验证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。66% 相似待验证在GRPO基线替换实验中，组样本量（group size）必须固定，否则均值基线的方差会随样本量变化而混淆结果。65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1109169API
curl https://kongchang.com/api/v1/knowledge/claims/1109169MCP
get_claim(id=1109169)