来自MSN19 天
如何评价 DeepSeek 正式发布的 DeepSeek-R1与DeepSeek-R1-Zero模型？
非常干净强大的工作，从RL训练角度进一步证明了以下事实： 1. RL 不需要fancy复杂的算法，简单的critic-free 的Policy gradient类在算法至少在llm setting下已经完全够用。并发/diverse样本量，才是RL 训练效果的关键。我相信grpo换成REINFORCE也会带来同样的效果。R1-zero ...