年初的 DeepSeek-R1，带来了大模型强化学习（RL）的火爆。无论是数学推理、工具调用，还是多智能体协作，GRPO（Group Relative Policy Optimization）都成了最常见的 RL 算法。 再根据优势信号来更新模型参数，让模型越来越偏好高质量解法 这种「多路径并行 + 组内优势」 ...