待验证50% 置信事实精确时间
PewDiePie正在使用GRPO持续训练AJAX模型，已运行多日
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/9
首次发现
有效期至：2026/10/23
来源
涉及实体
相关事实
待验证在Zork I上使用GRPO强化学习几乎达到完美的预算遵守，并能泛化到训练中未见过的新预算档位59% 相似待验证多轮强化学习在实现上通常依赖 PPO 或 GRPO 等策略梯度算法56% 相似待验证在大模型RL训练中，训练框架计算的logprob与推理框架在rollout阶段计算的logprob往往对不上，会在GRPO、PPO等算法的重要性采样权重中被放大，导致训练信号失真甚至训练崩溃54% 相似待验证该交互式教程为系列第二卷，第一卷讲策略梯度谱系（REINFORCE → PPO → GRPO）53% 相似待验证ViTPose+和RT-DETR两个模型都托管在Hugging Face平台上，该平台托管超过50万个预训练模型51% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/993089API
curl https://kongchang.com/api/v1/knowledge/claims/993089MCP
get_claim(id=993089)