推理强化学习

会用 GRPO 这类方法训练，能让模型一步步想清楚再回答。

学习流程

• 思维链
• 可验证的奖励
• GRPO
• 训练稳定性
• 训一个会推理的小模型

去哪学

• DeepSeek-R1 论文 论文 · 免费