已验证65% 置信事实精确时间

GRPO相比PPO省去了价值网络（Critic），直接在组内样本间比较奖励来估计优势函数，显著降低训练计算成本

3

来源数

65%

置信度

长期有效

时效性

2026/7/23

首次发现

来源

Grok 4.5实测：马斯克旗下最强编程AI能力全面解析

相关事实

已验证GRPO 对同一问题采样多个响应并在组内计算相对奖励来估计基线，省去了单独训练价值网络的开销84% 相似已验证DPO（直接偏好优化）等对齐算法在降低训练成本的同时提升了模型在开放式指令下的表现一致性70% 相似待验证GRPO及其变体在实际训练中往往会遇到训练崩溃、奖励震荡、后期性能下降等问题70% 相似待验证GRPO相比PPO降低了约50%的训练显存需求68% 相似已验证PPO（近端策略优化）通过限制每次参数更新的幅度，在学习效率与训练稳定性之间取得平衡68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/600922

API

curl https://kongchang.com/api/v1/knowledge/claims/600922

MCP

get_claim(id=600922)