Teortaxes▶️ (DeepSeek 推特🐋铁粉 2023 – ∞)（@teortaxesTex）のスレッド

一番大きなことを忘れていました。DS-Math以前は、強化学習（RL）を扱えるのはFrontierだけでした。PPOは面倒すぎるし、DPOはパフォーマンスが足りなかったからです。皮肉なことに、GRPOは彼らにとって最も平凡でありながら、最も影響力のある贈り物なのです。 また、R1以前は、フロンティアのみが優れた結果ベースの強化学習を行っていました。