待验证50% 置信事实精确时间
GRPO 等算法通常将最终答案的正确性奖励平均分配给生成的所有 token。
1
来源数
50%
置信度
长期有效
时效性
2026/11/11
首次发现
来源
涉及实体
相关事实
已验证GRPO对同一个输入采样一组多个输出,以组内奖励的均值作为基线计算优势函数,从而省去价值网络并降低显存和计算开销。73% 相似已验证GRPO算法通过组内相对奖励机制直接比较同一问题的一组答案优劣,省去了PPO所需的独立评论家模型71% 相似待验证RLVR的典型代表包括用最终答案正确性作为唯一奖励的GRPO等方法。69% 相似待验证GRPO天然适合可验证任务,在数学、代码等场景可用规则化奖励替代复杂奖励模型67% 相似待验证ProVe-lossless 的验证阶段对提案块中的每个 token 并行评分,只接受与提案者自身 AR 预测一致的前缀,从而保证输出序列与逐 token 贪心解码相同。65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1157944API
curl https://kongchang.com/api/v1/knowledge/claims/1157944MCP
get_claim(id=1157944)