腾讯网4 小时
细致扒一下DeepSeek-R1论文到底讲了些什么
作者：answer论文原文链接: ...
出人意料！DeepSeek-R1用的GRPO其实没必要？规模化强化学习训练用PPO就 ...
阶跃星辰与清华大学近期的一项研究发现，只需使用带 GAE （λ= 1，γ= 1）的普通 PPO 以及基于规则的简单奖励函数，无需任何 KL 正则化，就足以扩展在推理任务上的响应长度和基准性能，类似于在 DeepSeek-R1-Zero 上观察到的现象 ...