待验证50% 置信事实精确时间

PPO是从TRPO（Trust Region Policy Optimization，置信域策略优化）演化而来，用截断目标函数近似实现TRPO的效果并降低计算成本

1

来源数

50%

置信度

长期有效

时效性

2026/9/23

首次发现

来源

深入理解GRPO：大模型强化学习的高效对齐方法

涉及实体

PPOconcept TRPOconcept

相关事实

待验证GRPO和GSPO均是PPO算法的改进变体，旨在减少对价值网络的依赖、降低显存消耗71% 相似待验证DQN是off-policy算法，PPO是on-policy算法66% 相似待验证FTPO属于偏好优化方法家族，与DPO一脉相承56% 相似待验证运行时策略执行借鉴云原生安全实践，其核心思想是在执行路径上插入策略决策点（PDP），类似Kubernetes的Admission Controller、服务网格的Sidecar代理和OPA的角色55% 相似待验证GO Public的核心目标是在IPO流程中引入智能，让律师能够更早地发现潜在问题54% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/944587

API

curl https://kongchang.com/api/v1/knowledge/claims/944587

MCP

get_claim(id=944587)