已验证90% 置信事实时间未知

GRPO（Group Relative Policy Optimization）由DeepSeek提出，无需单独训练价值网络，已成为当前智能体RL训练的主流算法选择

14

来源数

90%

置信度

长期有效

时效性

2026/5/31

首次发现

来源

Cursor Composer 2训练揭秘：分布式强化学习架构全解析

bilibiliWeb3天空之城

涉及实体

GRPOconcept DeepSeekcompany

相关事实

已验证GRPO由DeepSeek团队系统化提出并在训练DeepSeek-R1系列模型时得到大规模验证80% 相似待验证DeepSeek在训练阶段大量使用GRPO算法替代传统的RLHF来压缩训练成本79% 相似待验证GRPO是DeepSeek团队提出的强化学习算法，它取消了PPO中的Critic Model，通过对同一问题生成一组回答计算组内相对奖励作为基线78% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/5808

API

curl https://kongchang.com/api/v1/knowledge/claims/5808

MCP

get_claim(id=5808)