GRPO - Group Relative Policy Optimization - How DeepSeek trains reasoning models
3-Second Blueprint (English)
- Group Relative Policy Optimization (GRPO) trains reasoning LLMs via RL without a separate critic model by sampling response groups.
- Step and outcome rewards are normalized across the sampled group to compute relative advantages that weight token probability ratios.
- PPO-style probability clipping and a KL-divergence penalty constrain policy updates, preventing catastrophic model drift.
GRPODeepSeek Reasoning RLKL DivergenceClipped Policy RatioGroup Advantage
3-Sekunden-Fazit (Deutsch)
- Group Relative Policy Optimization (GRPO) trainiert Reasoning-LLMs per RL ohne separates Critic-Modell über Antwortgruppen.
- Schritt- und Ergebnis-Rewards werden innerhalb der Gruppe normiert, um relative Advantages für Wahrscheinlichkeitsquotienten zu bilden.
- PPO-artiges Clipping und ein KL-Divergenz-Strafterm begrenzen Policy-Updates und verhindern instabile Modellabweichungen.
GRPODeepSeek Reasoning RLKL-DivergenzPolicy-ClippingGruppen-Advantage
Note / Hinweis: Blueprints are AI-generated educational summaries (0% Politics · 0% Religion · 0% Brainrot) and do not constitute medical, legal, or financial advice. / KI-generierte Zusammenfassung zu Bildungszwecken – ersetzt keine medizinische, rechtliche oder finanzielle Fachberatung.