DeepSeek-R1の数理的背景を理解する - Techtouch Developers Blog

ツイート

はじめに 対象読者 DeepSeek-R1 の学習アルゴリズム 記号の準備 TRPO（Trust Region Policy Optimization） 補題1 補題1の証明 定理1 PPO（Proximal policy optimization algorithms） GRPO（Group Relative Policy Optimization） 不偏推定量(5)の導出 DeepSeek-R1 における GRPO の適用方法 正確さの報酬（Accuracy re...