AI圈热议：GRPO算法究竟是创新还是REINFORCE变体

近期AI社区以禅宗公案梗图的形式引发了对DeepSeek提出的GRPO算法的热烈讨论。尽管该算法常被批评为仅仅是一个“陷阱”或是经典REINFORCE算法的简单变体，但支持者认为，通过足够的rollout来弥补高方差，以及采用直接采样的优势，其表现优于有偏的价值函数。这些探讨揭示了GRPO在高算力场景下的独特应用价值与理论争议。

2026-08-01 ~ 2026-08-01 · 2 条相关