#GRPO
共 84 篇相关文章
·9 分钟
后训练技术全解析：SFT、PPO、DPO与GRPO原理及选型指南
系统解析大模型后训练核心技术栈，涵盖SFT监督微调、PPO强化学习、DPO直接偏好优化和GRPO组相对策略优化的原理、优劣势对比及实践选型建议。
阅读全文 →
·15 分钟
从零实现GRPO：PyTorch手写强化学习算法详解
详解如何用纯PyTorch从零实现GRPO（群组相对策略优化）算法，涵盖群组采样、优势归一化、概率比裁剪、KL约束等核心步骤，可在消费级GPU上运行，适合深入理解大模型后训练强化学习机制。
阅读全文 →
·13 分钟
策略梯度算法进化史：从REINFORCE到PPO再到GRPO的完整脉络
深入解析策略梯度算法的进化链条：REINFORCE的高方差问题、Actor-Critic的基线修复、TRPO的信任域约束、PPO的裁剪优化，到GRPO的组内基线创新。用问题-修复的因果逻辑串联整条强化学习策略梯度发展脉络。
阅读全文 →
·15 分钟
8GB显卡玩转LLM后训练：SFT、DPO与GRPO实战指南
详解如何在8GB显存的消费级GPU上完成LLM后训练，涵盖SFT监督微调、DPO直接偏好优化、GRPO组相对策略优化三种方法，借助LoRA量化等技术实现低资源大模型微调。
阅读全文 →
·10 分钟
SFT无法修复JSON错误的根因：GRPO正确性训练如何突破编码Agent瓶颈
深入分析为什么监督微调(SFT)无法解决编码Agent的JSON格式错误问题，以及GRPO(群组相对策略优化)如何通过二元奖励信号和推理权重同步机制，直接针对输出正确性训练，实现从"几乎正确"到"完全正确"的跨越。
阅读全文 →
·18 分钟
同一提示词喂给11个AI模型，为何得到11种不同答案？
用同一个提示词测试GPT、Claude、Gemini等11个大语言模型，结果截然不同。本文解析模型差异的根本原因，并分享多模型评估策略与路由架构的实践建议。
阅读全文 →
·14 分钟
FLOPs是智能，参数是知识：一句话看懂AI大模型本质
深入解析AI领域的精妙比喻：FLOPs代表智能（计算推理能力），参数代表知识（记忆存储能力）。了解大语言模型中计算量与参数量的本质区别，掌握模型优化的两条核心路径。
阅读全文 →
·13 分钟
Qwen3.8-27B成史上最火开源模型：断层式领先DeepSeek-R1
Qwen3.8-27B成为Unsloth社区使用量最高的开源模型，远超DeepSeek-R1和Qwen3.6-35B-A3B。27B参数量化后可在消费级显卡本地部署，成为开发者首选基座模型。深度解析其爆火原因与开源生态趋势。
阅读全文 →
·15 分钟
Qwen3 27B+DeepSeek Harness实测：本地开源智能体性能评测
详细实测Qwen3 27B模型搭配DeepSeek Harness智能体框架的部署方案、视觉理解能力、推理强度对比及token消耗数据，涵盖边界框绘制、车辆计数等多模态任务表现。
阅读全文 →
·8 分钟
Agentic AI与RAG、LLM、RL融合：智能体技术栈全解析
深入解析Agentic AI智能体如何与RAG检索增强生成、LLM大语言模型、RL强化学习深度融合，探讨智能体技术栈的协同架构、落地挑战与未来趋势，帮助开发者构建生产级AI应用。
阅读全文 →
·15 分钟
从AI到大模型：理清人工智能概念脉络与技术演进路径
一文梳理人工智能、机器学习、深度学习、大模型、生成式AI之间的关系与发展脉络。从深蓝到ChatGPT，理解Transformer架构如何催生大语言模型，以及普通人如何切入AI应用开发。
阅读全文 →
·15 分钟
24GB Mac mini跑27B大模型：三个关键设置防止内存溢出
实测Qwen3.8-27B在24GB M4 Pro Mac mini上的运行表现，详解GPU显存上限调整、KV缓存量化、关闭思考模式三个关键设置，附IQ4_XS与Q4_K_M量化对比数据，帮助你在有限内存中稳定运行27B稠密模型。
阅读全文 →
·15 分钟
Rainbow DQN没有新想法：值函数强化学习算法演进全解析
从表格Q-learning到DQN再到Rainbow，详解值函数强化学习算法的演进逻辑。通过失败驱动的视角，理解Double DQN、优先经验回放、对决网络、多步回报、C51等六项关键改进如何逐步修补前代算法的痛点，最终汇聚为Rainbow。
阅读全文 →
·14 分钟
OpenAI暂停RL训练：模型能力增长过快，安全对齐跟不上了？
Sam Altman宣布OpenAI暂停强化学习训练，称模型能力增长极其迅速已超越安全对齐进度。本文深度解读这一决定背后的技术原因、行业影响及AI安全治理启示。
阅读全文 →
·15 分钟
Meta Muse Glimmer 30B实测：本地智能体模型新标杆
深度实测Meta开源Muse Glimmer 30B模型，详解其智能体能力、编程表现、性能评分及本地部署方案。对比Qwen 3.6 27B，解析工具调用、MCP集成、多步骤规划等核心优势，附RTX 3090等硬件配置推荐。
阅读全文 →
·10 分钟
Qwen3 27B深度评测：推理能力强大却过度思考的解决方案
深度评测Qwen3 27B开源模型的推理能力与过度思考问题。分析27B参数规模的性能优势、过度思考的原因与代价，并提供关闭思考模式、分场景配置等实用优化建议。
阅读全文 →
·9 分钟
DeepSeek掉队了吗？大模型竞赛格局深度解析
一条推文引发热议：DeepSeek是否已落后于Anthropic、OpenAI、月之暗面等对手？本文深度分析大模型竞赛格局变化，解读DeepSeek现状与各家AI公司的竞争态势。
阅读全文 →
·10 分钟
千问3.8 27B实测：一张显卡跑长程编程Agent
千问3.8 27B模型本地部署实测，4bit量化塞进24GB显卡，SGLang推理框架避坑指南，编程、长程任务、剧本拆解全面测试，SWE-bench Pro分数超越Claude Opus，个人可用的本地长程编程模型首次成为现实。
阅读全文 →
