Cassandra Tang

简单易操作版豉汁蒸排骨😋 https://t.co/wnftMaZU9i

Deepseek使用的GRPO算法与传统 PPO算法（的区别、动机以及工作流程。 GRPO 的本质思路：通过在同一个问题上生成多条回答，把它们彼此之间做“相对比较”，来代替传统 PPO 中的“价值模型”。 这种方法减轻了估计价值函数的负担，且对于很多需要对语言输出进行精细评价的场景（如写文章、对话回答、内容审核），往往更灵活、训练速度更快。

把土豆和黄豆放绞肉机了，出锅就是最近很火的三种不同的美食：豆腐脑、豆腐、豆浆。豆香浓郁，比外面买的还好吃.#美食教程 https://t.co/Db7ivkp9iL

What does DeepSeek R1 & v3 mean for LLM data? Contrary to some lazy takes I’ve seen, DeepSeek R1 was trained on a shit ton of human-generated data—in fact, the DeepSeek models are setting records for the disclosed amount of post-training data for open-source models: - 600,000 reasoning data [1] - 200,000 non-reasoning SFT data [2] - human prefere... See more