热点事件持续更新
willcb：on-policy GRPO 最接近真正 RL
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
2026年10月12日，willcb 在 X 上参与「是否该把所有方法都叫 RL」的讨论时给出判断：去掉标准差归一化的 on-policy GRPO 非常接近「真正的 RL」（REINFORCE）。在他看来，GRPO、DAPO 等其他变体本质上是效率技巧，会带来一定的不稳定性，之后又需要更多技巧来修复这些不稳定。该说法为 willcb 的个人判断，目前没有更多后续进展。
AI 根据报道生成 · 58 分钟前更新
最新进展10月12日 13:52
willcb 称去掉标准差归一化的 on-policy GRPO 非常接近真正的 RL。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- AGI Huntwillcb：on-policy GRPO 接近真正 RL，其余都是效率技巧
willcb 在 X 上判断，去掉标准差归一化的 on-policy GRPO 非常接近「真正的 RL」（REINFORCE）。他是在讨论「是否该把所有方法都叫 RL」时给出这一判断的。在他看来，GRPO、DAPO 等其他变体本质上是效率技巧，会带来一定不稳定性，之后又需要更多技巧来修复这些不稳定。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。