GRPO - Group Relative Policy Optimization - How DeepSeek trains reasoning models

摘要

介紹 DeepSeek 如何透過 GRPO 訓練推理模型。

This video explains how DeepSeek trains reasoning models using GRPO.

這筆內容還沒有取得字幕或內文，這段摘要只根據標題與說明欄產生，可能不夠準確；實際內容請以原站為準。

適合誰看

對機器學習與大模型訓練有興趣的研究者或開發者。

摘要依據

依據

標題與說明欄（還沒有取得字幕或內文）

為什麼排在這裡

人氣

0.38

新鮮

0.24

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Build A Reasoning Model From Scratch 6: Reinforcement Learning 1 (Implementing GRPO for RLVR)影片 ・ Sebastian Raschka
• GLM-5.2: DeepSeek Was Wrong About RL?影片 ・ bycloud ・ 16 分鐘
• From DeepSeek V3 to V3.2: Architecture, Sparse Attention, and RL Updates文章 ・ Sebastian Raschka（部落格）
• 【闪客】深入解读 DeepSeek V1~V4！男女老少都听得懂～影片 ・ 飞天闪客 ・ 12 分鐘
• 【生成式AI時代下的機器學習(2025)】第七講：DeepSeek-R1 這類大型語言模型是如何進行「深度思考」（Reasoning）的？影片 ・ Hung-yi Lee ・ 1 小時 18 分
• 四大推理大模型数学与编程能力评测 Grok3、Claude3 7、DeepSeep R1、o3 mini high 到底谁的推理能力最强？影片 ・ 马克的技术工作坊 ・ 25 分鐘