IXThinker·2025-05-27 12:30

GRPO引發的開源推理革命持續發酵

100多天前，DeepSeek-R1憑低訓練成本名噪一時，其秘訣之一是強化學習微調算法GRPO（群體相對策略優化）。R1引爆LLM推理革命後，開源界掀起持續複製與改進熱潮，強化學習對推理能力的作用成為焦點。

R1引爆革命

DeepSeek-R1以顯著低於同行的訓練成本，實現了強大推理表現，一度震動整個行業。其背後最大功臣之一是群體相對策略優化（GRPO）這一強化學習算法，為推理訓練提供了高效路徑。