重大论文与权重发布已确认
DeepSeekMath 公开模型与 GRPO 方法
DeepSeekMath 在开放数学模型中引入 GRPO，为此后 R1 的强化学习推理路线提供直接算法基础。
想引用重要AI新闻？随时能找到。
事件详情
DeepSeekMath 从 DeepSeek-Coder-Base-v1.5 7B 继续预训练，并发布 Base、Instruct 与 RL 权重。论文提出 Group Relative Policy Optimization（GRPO），以组内奖励估计替代 PPO 的独立 critic，降低强化学习的内存开销。
影响评估
GRPO 从数学模型实验演进为 R1 的核心强化学习方法，证明 R1 的技术积累早于其正式发布近一年。
技术影响5/5
能力、架构、训练方法或研究路线的推动程度
市场影响3/5
产品采用、商业模式和行业竞争格局的变化
生态影响5/5
对开发者、开源社区、平台和上下游的带动
政策与社会1/5
监管、安全、劳动方式和公众认知层面的影响
影响范围4/5
事件影响从局部团队扩展到全球行业的广度
持续性5/5
影响是否会沉淀为长期能力、惯例或结构性变化
关联事件
开源发布