已验证65% 置信事实精确时间
GRPO通过对同一问题采样一组输出以组内平均奖励作为基线，消除了对独立critic网络的依赖，将显存需求从PPO的约4倍压缩至约2倍
3
来源数
65%
置信度
长期有效
时效性
2026/7/17
首次发现
来源
相关事实
待验证当一组输出的奖励完全相同（全对或全错）时，GRPO 组内无法计算出有意义的相对优势，梯度为零，这些样本对模型参数更新无贡献67% 相似待验证每个中间推理token与输出token消耗等量的GPU算力，Extra High档位单次请求FLOPs可能是普通生成模式的数十倍64% 相似待验证在Grok模型上提供的编程用量是同等价位Cursor计划的两倍。62% 相似已验证连续批处理在每个解码步骤后立即移出已完成序列并插入新请求，将GPU利用率从传统方案的30-50%提升至80%以上59% 相似待验证传统自回归生成每次只能产生一个token，需要完整的前向传播，导致GPU利用率低下，计算单元实际闲置率可达80%以上58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/542331API
curl https://kongchang.com/api/v1/knowledge/claims/542331MCP
get_claim(id=542331)