Unverified50% confidenceFactExact time
标准GRPO是完全on-policy的，用于估计梯度的样本与当前策略完全一致，保证估计的无偏性
1
Sources
50%
Confidence
Long-term
Relevance
10/7/2026
First Seen
Sources
Related Entities
Related Claims
UnverifiedGRPO算法通过组内相对奖励机制直接比较同一问题的一组答案优劣，省去了PPO所需的独立评论家模型63% similarUnverified基于评估集（Eval Set）的持续回归测试是当前LLMOps最佳实践的核心共识之一63% similarUnverifiedGRPO天然适合可验证任务，在数学、代码等场景可用规则化奖励替代复杂奖励模型61% similarUnverifiedGEPA是一种将进化计算与多目标优化结合的提示自动优化方法，通过帕累托前沿准则筛选最优提示61% similarUnverifiedGRPO用组内基线替代传统价值函数估计，通过组内标准化A_i = (R_i - mean(R)) / std(R)计算优势值，省去单独训练价值网络的开销60% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/983185API
curl https://kongchang.com/api/v1/knowledge/claims/983185MCP
get_claim(id=983185)