待验证50% 置信事实精确时间

GRPO、PPO等算法在大语言模型后训练中被成功应用

1

来源数

50%

置信度

长期有效

时效性

2026/8/31

首次发现

来源

RL环境泡沫反噬：过难任务催生AI作弊行为

涉及实体

GRPOconcept PPOconcept

相关事实

待验证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71% 相似待验证Qwen3采用了类GRPO算法进行推理能力的强化训练67% 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67% 相似待验证推理增强方法通常借助RLHF或GRPO等算法，在MATH、HumanEval、AIME等基准上取得突破63% 相似待验证Proximal Policy Optimization（PPO）是机器人强化学习的主力策略梯度算法工具62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/829054

API

curl https://kongchang.com/api/v1/knowledge/claims/829054

MCP

get_claim(id=829054)