已过期50% 置信基准精确时间

JustGRPO方法在GSM8K数学推理基准上取得89.1%的准确率，超越过去一年内所有专门为dLLM设计的强化学习方法

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/17

首次发现

有效期至：2026/10/15(已过期)

来源

扩散语言模型推理陷阱：一行代码修复「灵活性」缺陷

相关事实

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）68% 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66% 相似待验证GRPO和GSPO均是PPO算法的改进变体，DeepSeek-R1凭借GRPO在推理能力上实现大幅跃升66% 相似待验证DeepSeek与北京大学联合开源DSpark推理框架，主打推测解码技术，推理速度提升85%，生成速度提高6-8%，无需更换模型权重62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/542329

API

curl https://kongchang.com/api/v1/knowledge/claims/542329

MCP

get_claim(id=542329)