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。
GRPO
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。
