待验证50% 置信事实精确时间

DeepSeek-R1等工作探索了以GRPO替代PPO，通过组内相对评分简化价值模型估计，降低四模型并行的显存压力

1

来源数

50%

置信度

长期有效

时效性

2026/7/18

首次发现

来源

5000名Kaggler实战揭秘：如何有效提升AI推理能力

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75% 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74% 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74% 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73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/550663

API

curl https://kongchang.com/api/v1/knowledge/claims/550663

MCP

get_claim(id=550663)