GRPO
重磅发现！DeepSeek R1方法成功迁移到视觉领域，多模态AI迎来新突破！
VLM-R1 是一个将 DeepSeek R1 方法应用于视觉语言模型的新开源项目，展示了其在稳定性、泛化能力等方面的优越性能，并提供简单易用的训练流程。
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。
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。
