待验证50% 置信事实精确时间

Anthropic提出了RLAIF和Constitutional AI，DeepSeek探索了GRPO算法，都是对RLHF原始框架的改进

1

来源数

50%

置信度

长期有效

时效性

2026/7/19

首次发现

来源

BAML：专为AI Agent设计的类型安全编程语言

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84% 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72% 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67% 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67% 相似待验证DeepSeek R1通过GRPO算法仅用ORM即可涌现出长程推理能力67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/561430

API

curl https://kongchang.com/api/v1/knowledge/claims/561430

MCP

get_claim(id=561430)