标签：PPO优化

出人意料！DeepSeek-R1用的GRPO其实非最优？规模化强化学习训练用PPO就够了

DeepSeek-R1模型的核心强化学习算法GRPO通过分组分数替代价值模型，显著降低了训练资源消耗。然而，阶跃星辰与清华大学的最新研究表明，采用带GAE（λ=1，γ=1...

AIGC动态

1天前