已验证65% 置信事实精确时间
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
3
来源数
65%
置信度
长期有效
时效性
2026/8/6
首次发现
来源
相关事实
待验证Qwen2.5后训练首次在在线阶段使用GRPO，GRPO是DeepSeek团队提出的PPO轻量化变体，去掉独立价值网络，用组内平均奖励作为基线79% 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78% 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78% 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）77% 相似待验证DeepSeek-R1的训练报告中记录了GRPO配合奖励函数的做法：正确答案得+1分，格式错误或答案错误得0或负分76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/697161API
curl https://kongchang.com/api/v1/knowledge/claims/697161MCP
get_claim(id=697161)