待验证50% 置信事实精确时间

DeepSeek R1通过GRPO算法仅用ORM即可涌现出长程推理能力

1

来源数

50%

置信度

长期有效

时效性

2026/7/22

首次发现

来源

Qwen3深度解析：开源混合推理大模型的全面进化

相关事实

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85% 相似待验证DeepSeek探索了GRPO算法，作为对RLHF原始框架的改进尝试78% 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76% 相似待验证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）76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/592332

API

curl https://kongchang.com/api/v1/knowledge/claims/592332

MCP

get_claim(id=592332)