已验证65% 置信事实精确时间
推理增强模型训练层面通常借助GRPO（Group Relative Policy Optimization）等强化学习算法，以最终答案正确性作为奖励信号
3
来源数
65%
置信度
长期有效
时效性
2026/7/21
首次发现
来源
相关事实
已验证GRPO（Group Relative Policy Optimization）是PPO的一种改进变体，无需训练额外的价值网络，而是通过在同一问题上采样一组回答以组内相对表现作为基准来计算奖励信号78% 相似待验证当GRPO被用于长文RAG训练时，答案级的标量优势值会被平均分配到回答中的每一句话上，导致被复制的句子和真正有依据的句子获得相同的强化信号。76% 相似待验证GRPO 是一种无需价值网络的强化学习方法，通过对同一提示采样一组回答、以组内相对优势作为奖励信号来更新策略，在数学与推理任务中表现良好，但其奖励信号本身不携带几何信息。74% 相似待验证JustGRPO的核心修复方案是在自回归顺序下训练GRPO，推理阶段保持并行解码73% 相似已验证MTP（Multi-Token Prediction）辅助训练目标让模型在推理时可配合投机解码提升吞吐量72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/583801API
curl https://kongchang.com/api/v1/knowledge/claims/583801MCP
get_claim(id=583801)