更改

跳到导航跳到搜索

DeepSeek-R1-Zero (查看源代码)

2025年2月24日 (一) 11:01的版本

大小无更改、 2025年2月24日 (一) 11:01

→‎DeepSeek-R1-Zero的强化学习算法

第12行：第12行：

GRPO与PPO算法之间的对比可以用下图进行清晰地表示：

GRPO与PPO算法之间的对比可以用下图进行清晰地表示：

−

[[文件:Grpo.png|GRPO算法与PPO算法的对比|居左|~~610x217像素~~]]

+

[[文件:Grpo.png|GRPO算法与PPO算法的对比|居左|750x310像素]]

由该图可以清楚地看出，GRPO放弃了价值模型，转而从组分数中估计基线，显著减少了训练资源。

由该图可以清楚地看出，GRPO放弃了价值模型，转而从组分数中估计基线，显著减少了训练资源。

行政员、界面管理员、管理员

3,094

个编辑

取自“https://wiki.swarma.org/index.php/特殊:移动版差异/41887”