待验证50% 置信事实精确时间

GRPO已在自回归LLM的数学推理、代码生成等任务上取得显著效果

1

来源数

50%

置信度

长期有效

时效性

2026/9/16

首次发现

来源

DACA-GRPO：为扩散语言模型强化学习引入去噪感知信用分配

涉及实体

相关事实

待验证Grok 4.5在推理和代码能力上进行了优化，引入了类似链式思考（Chain-of-Thought）的增强推理机制74% 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72% 相似待验证GRPO、PPO等算法在大语言模型后训练中被成功应用72% 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70% 相似待验证GRPO、PPO等LLM常用RL算法依赖蒙特卡洛采样来估计策略梯度69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/927929

API

curl https://kongchang.com/api/v1/knowledge/claims/927929

MCP

get_claim(id=927929)