待验证50% 置信事实精确时间
SJR使用GRPO（Group Relative Policy Optimization）来精炼内容模型，使其生成策略相关的摘要
1
来源数
50%
置信度
长期有效
时效性
2026/9/22
首次发现
来源
涉及实体
相关事实
待验证GRPO（Group Relative Policy Optimization）相比传统RLHF更适合多步骤决策场景，因为它能同时评估多条执行路径的相对优劣78% 相似待验证GRPO（Group Relative Policy Optimization）是PPO的一种改进变体，无需训练额外的价值网络，而是通过在同一问题上采样一组回答以组内相对表现作为基准来计算奖励信号77% 相似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72% 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% 相似待验证Grok 系列采用混合专家模型（MoE）架构，通过动态激活不同专家子网络在维持较低推理成本的同时扩大参数规模68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/940014API
curl https://kongchang.com/api/v1/knowledge/claims/940014MCP
get_claim(id=940014)