通俗解释
PPO 需要和策略一样大的价值网络。GRPO 对每个问题生成多条回答，用“比组平均好多少”作为优势值，省掉价值网络，显存减半。DeepSeek-R1 用它做大规模推理强化学习。
用在哪里：DeepSeekMath、DeepSeek-R1 和大量开源推理模型；2026-10 仍是新论文的默认基线（如文生图提示改写 SCOPE 2610.22264、推荐 ReMaRk 2610.17771、异步 RL 的 KLPO 2610.08963）
时间轴 · 前置 → 当前 → 后继
01原始论文
DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models
Zhihong Shao, Peiyi Wang, Qihao Zhu, et al. · 2024
arXiv ↗ ✓ 已核实 · arXiv API
备注：GRPO 在 DeepSeekMath 论文中提出
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
U52 推理模型：RLVR、GRPO 与测试时计算 思维链、自洽、过程奖励、GRPO/DAPO、可验证奖励与 R1 配方。 12 小时12 个算法5 篇论文 U95 如何追踪前沿：读论文与复现 读论文三遍法、追踪 arXiv/会议、复现与写作。 6 小时3 个算法0 篇论文
所在学习路线：后训练与推理模型
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
grpo)