待验证50% 置信事实精确时间

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）

1

来源数

50%

置信度

长期有效

时效性

2026/7/16

首次发现

来源

开源能否掀翻ChatGPT？蒋涛解读DeepSeek破局之道

相关事实

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77% 相似待验证GRPO是DeepSeek团队提出的强化学习算法，它取消了PPO中的Critic Model，通过对同一问题生成一组回答计算组内相对奖励作为基线77% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/536154

API

curl https://kongchang.com/api/v1/knowledge/claims/536154

MCP

get_claim(id=536154)