Deepseek的GRPO（Group Relative Policy Optimization ）算法，还是非常有效的long CoT的RL方法，根据最后结果只和之前的相比更趋近目标，就能得到奖励，非常smart，在reward hack和RL效能之间取得平衡。姚顺雨说起来只是个搞prompt的，用Tree of Search解决NTP基础上的有一定结构的token块的搜索问题。语言真是

#DeepSeek #GRPO算法 #long CoT #RL方法 #姚顺雨 #Tree of Search #NTP #token块搜索

相关新闻

大帅老猿

22小时前

今天空头方向是吃美了，这个默认的 promp 就偏向做空。Deepseek 的花费总计到了 5 块人民币。

AB Kuai.Dong

1天前

结束了，彻底结束了。由 Alpha Arena 发起的 AI 实盘实验，伴随着今天行情的下跌，亏出了历史新高。上月，老哥分别给 ChatGPT、DeepSeek、Grok 等 6 个 AI 大模型，1 万美金，去跑主流币的价格预测和期货交易。目前不到 1 个月，总浮亏 -26%，累计亏损 -15812 美金。

Rainier

2天前

中国的做法，其实让市场竞争变得更加激烈。一个产品的利润，往往来自几个部分——软件，以及硬件的租赁。在过去，美国的科技公司利润主要来自软件，硬件租赁只是小头。而从边际成本来看，软件的成本要低得多。软件靠什么赚钱？靠算法和工程实现。比如，OpenAI 是最早发现通过强化学习（RL，比如 GPRO）可以产生“涌现”现象的公司，然后他们悄悄地把这一技术用于自家产品。从商业角度看，这是完全合理的做法

dontbesilent

2天前

要精通 DeepSeek，先把康德休谟维特根斯坦读完不谈哲学就没有入 DeepSeek 的门

Larry & Leo Bro - Eagle of Full Stack

2天前

中年人的第一笔 AI 交易亏损！Deepseek 你得支棱起来啊！