待验证50% 置信事实精确时间
DeepSeek-R1的训练报告中记录了GRPO配合奖励函数的做法：正确答案得+1分，格式错误或答案错误得0或负分
1
来源数
50%
置信度
长期有效
时效性
2026/9/23
首次发现
来源
涉及实体
相关事实
已验证GRPO是DeepSeek团队提出的强化学习算法，它取消了PPO中的Critic Model，通过对同一问题生成一组回答计算组内相对奖励作为基线76% 相似待验证DeepSeek团队报告，仅用GRPO在数学和代码数据上进行强化学习而不经过监督微调，模型便自发出现反思、回溯验证等链式推理行为（aha moment）74% 相似已验证GRPO由DeepSeek团队系统化提出并在训练DeepSeek-R1系列模型时得到大规模验证74% 相似待验证DeepSeek R1的强化学习奖励信号主要来自数学答案的正确性验证，而非工具调用格式的规范性，因此未针对Function Call专项对齐73% 相似已验证DeepSeek-R1通过在代码和数学两个可验证域上大规模运行GRPO算法取得成功73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/944590API
curl https://kongchang.com/api/v1/knowledge/claims/944590MCP
get_claim(id=944590)