待验证50% 置信事实精确时间

DeepSeek R1把过程奖励模型列入“不成功的尝试”，其推理训练只用了基于最终答案的简单规则奖励。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/30

首次发现

有效期至：2027/1/28

来源

推理模型14个核心概念：从思维链到GRPO全面拆解

youtubeBrix AI2026/10/29

涉及实体

DeepSeek R1model 过程奖励模型concept

相关事实

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75% 相似待验证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71% 相似待验证DeepSeek的部分模型限制用其输出去训练竞争模型71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1116036

API

curl https://kongchang.com/api/v1/knowledge/claims/1116036

MCP

get_claim(id=1116036)