▲ RL 后训练进化论：从PPO被动奖励、GRPO组内奖励到DeepSeekMath-V2自验证奖励 逐逐水寻源 zair.top 2025/11/28 深度解析DeepSeek-R1背后的GRPO/GSPO/DAPO等新一代强化学习算法，详解如何通过去除Critic网络将显存占用减半，对比PPO/GRPO/GSPO/DAPO的数学原理与工程实现差异，探讨DeepSeekMath-V2代表的大模型RL后训练从监督学习到自我博弈进化的范式转移。 在 DeepSeek-R1 惊艳亮相之前，行业内曾有一个心照不宣的误区：SFT（监督微调）负责传授知识，而… 讨论 登录后参与讨论 还没有评论，来说第一句吧。 逐水寻源 的其他文章 个人数据低成本自动化备份方案 2025/05/16 异地组网：免域名免备案自建Tailscale DERP节点 2025/02/26 家庭网络配置：利用 Docker 在闲置笔记本上运行 OpenWRT 作为旁路由 2025/01/21 专家混合模型 (MoE) 详解：Mixtral 8X7B、DBRX 和 Deepseek-v2 的架构与应用 2024/12/25 数学视角下的支持向量机（SVM）：优化问题求解 2024/11/27
讨论
登录后参与讨论
还没有评论，来说第一句吧。