Skip to content
← 返回课程
CS336 2026 · Lecture 16已发布

Post-training - RLVR

日期
Wed May 20
讲师
Tatsu
课程资料
10 项
内容产物
4 项

课程简介 ​

本讲从 PPO 的策略梯度、价值模型和 KL 约束出发,引出更适合可验证任务的 GRPO 与相关变体。通过 DeepSeek-R1、DeepSeekMath、Kimi 等案例,课程分析正确性奖励、组内基线、长思维链涌现、SFT 冷启动和奖励投机,说明 RLVR 能扩展什么、又不能替代什么。
COURSE MATERIALS官方资料与延伸阅读
ASSIGNMENTS作业节点

资料来源归原作者与课程方所有 · 笔记内容持续校订