跳到正文
实时
机器之心·收录于· 17 小时前65

DeepSeek-R1 的 GRPO 训练暴露双重缺陷:能力边界未拓宽与推理能力下降

你的模型越训越「不敢想」:港大NeurIPS 2026揭露GRPO隐藏的双重枷锁

要点速览

DeepSeek-R1的GRPO训练暴露了双重缺陷:能力边界未拓宽(探索不足)与推理能力下降。模型在175B参数规模下,在大采样预算(8k context)内探索与利用权衡失衡,benchmark分数(MMLU 75.8%)未显著提升。该技术隐藏的双重枷锁可能限制模型的泛化能力,但具体可用性(开源/闭源/API)未明确说明。

来源: 机器之心 · jiqizhixin.com