待验证60% 置信事实时间未知

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

2

来源数

60%

置信度

长期有效

时效性

2026/5/31

首次发现

来源

Codex接入DeepSeek教程：零基础搭建AI智能体完整指南

bilibili信息科技练老师

涉及实体

DeepSeekcompany GRPOconcept RLHFconcept

相关事实

待验证DeepSeek探索了GRPO算法，作为对RLHF原始框架的改进尝试81% 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80% 相似已验证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79% 相似已验证DeepSeek-R1通过在代码和数学两个可验证域上大规模运行GRPO算法取得成功76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/11862

API

curl https://kongchang.com/api/v1/knowledge/claims/11862

MCP

get_claim(id=11862)