DeepSeek-R1

Определение

Модель DeepSeek, использующая GRPO для обучения reasoning, показала эффективность с длинными CoT.

Где встречается

• 328. GRPO (Group Relative Policy Optimization) vs PPO — чем отличается и зачем нужен

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление