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。
GRPO
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。
TinyZero：首个DeepSeek R1-Zero超低成本复现，不到30刀！
DeepSeek R1-Zero无需人类标注即可实现准确推理，通过强化学习自主发展自我验证和搜索能力。TinyZero展示了其在CountDown游戏中的复现成果，成本不到30美元。
DeepSeek R1 训练方法解析
DeepSeek AI 推出 DeepSeek-R1 模型，引入群体相对策略优化（GRPO）和多阶段训练方法。通过强化学习提升大语言模型推理能力，并在监督微调和拒绝采样后形成最终模型。
