衡宇 发自 凹非寺 量子位 | 公众号 QbitAI 一个超越DeepSeek GRPO的关键RL算法 出现了！ 用上该算法后，Qwen2.5-32B模型只经过RL训练，不引入蒸馏等其他技术，在AIME 2024基准上拿下50分，优于相同setting下使用GRPO 算法的DeepSeek-R1-Zero-Qwen，且DAPO使用的训练步数还减少了50%。 这个算法名为DAPO，字节、清华AIR联合实验室SIA Lab出品，现 已开源 。 论文通讯作者和开源项目负责人都是一个叫Qiying Yu的人 。 我们还从知情人士处得知了禹棋赢的另一重身份—— 在字节大模型团队内部负责打造"能力显著提升的下一代语言模型"的攻坚小组中，禹棋赢是唯一的实习生。 虽然是实习生，但在这个大神云集的小组里， 禹棋赢被委以重任，直接负责RL方向的研究 。 凭什么？ 事情要从去年夏天说起。 去年10月，他在字节第一个跑出aha moment 去年5月，字节启动「Top Seed人才计划」，最终录取多名应届和在读博士组成史无前例的AI研究团队，禹棋赢就在其中。 为期2个月的warm up landing （类似可自由探索的适应期） 后 ...