待验证50% 置信事实精确时间

PPO（近端策略优化）由 OpenAI 于 2017 年提出，是深度强化学习中最常用的策略梯度算法之一

1

来源数

50%

置信度

长期有效

时效性

2026/9/17

首次发现

来源

开源之痛：非自回归架构的先行者，为何被前沿实验室抢了风头

涉及实体

PPOtechnology OpenAIcompany

相关事实

待验证OpenAI的o系列、DeepSeek-R1等模型均大量采用强化学习技术路线（RLHF、GRPO、PPO等）73% 相似待验证现代深度强化学习（如 DQN、PPO、SAC）可视为值迭代和策略迭代等经典方法在连续高维空间中的函数逼近推广69% 相似待验证开源社区对o1的复现尝试包括DeepSeek-R1和QwQ，通过强化学习训练模型的推理过程是实现类似能力的关键路径62% 相似待验证2025年1月DeepSeek以极低成本追平了OpenAI推理模型o1的能力62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/928610

API

curl https://kongchang.com/api/v1/knowledge/claims/928610

MCP

get_claim(id=928610)