200多行代码，超低成本复现DeepSeek R1「Aha Moment」！复旦大学开源
复旦大学知识工场实验室团队基于 GRPO 算法高效复现了 R1-zero 自发反思能力，项目代码简洁，仅依赖基础库实现，训练 7B 模型成本低至 7.3 元。
GRPO
从PPO到GRPO，DeepSeek-R1做对了什么？
本周通讯解读了三个值得关注的技术与行业动态。DeepSeek-R1 在强化学习中采用GRPO替代PPO，减少人类标注数据并设计精妙奖励机制；ARK展望AI对经济的影响；Kimi 1.5和DeepSeek-R1均使用Rule-based Reward提升模型推理能力。
从理论到代码剖析DeepSeek-R1：从PPO到Reinforce++，再对比GRPO
MLNLP是国内外知名的人工智能社区，致力于促进机器学习与自然语言处理领域的学术交流和技术进步。文章讨论了Reinforce++和GRPO作为PPO变体的应用及其改进，包括去除critic模型、使用远程奖励模型以及在GRPO基础上优化KL估计方法等技术进展。
开源复现DeepSeek R1的文本到图谱抽取训练open-r1-text2graph
该项目基于Hugging Face Open-R1和trl构建，并重现了DeepSeek R1训练方案。通过合成数据生成、监督训练和强化学习（使用GRPO策略优化）等步骤，旨在提高模型进行文本到图信息提取的能力。
7G显存，训练自己的DeepSeek-R1，GRPO资源暴降80%
Unsloth AI 提供了 GRPO 训练算法，使用户能够在仅 7GB VRAM 上重现 DeepSeek R1-Zero 的‘顿悟时刻’，相比传统方法减少约80%的 VRAM 使用量。
DeepSeek GRPO 技术揭秘：Unsloth 助力 7GB 显存体验“顿悟时刻”
DeepSeek R1 模型利用 GRPO 算法实现自主学习能力，仅需 7GB 显存即可训练出具备推理能力的模型，大幅降低训练门槛和成本。
