熱點欄目 自選股 數據中心 行情中心 資金流向 模擬交易

客戶端

　　快手-W（01024）早盤上漲3.47%，現報52.20港元，成交額7.68億港元。

　　4月23日，快手Kwaipilot團隊發佈全新大模型訓練方法SRPO並宣佈開源。該方法僅用 GRPO 1/10的訓練成本，在數學與代碼雙領域基準測試中實現性能突破：AIME2024 得分50，LiveCodeBench 得分41.6，成爲業界首個在兩大專業領域同時復現DeepSeek-R1-Zero 的方法。

　　快手 Kwaipilot 團隊在最新研究成果《SRPO： A Cross-Domain Implementation of Large-Scale Reinforcement Learning on LLM》中提出了一種創新的強化學習框架 —— 兩階段歷史重採樣策略優化（two-Staged history-Resampling Policy Optimization ，SRPO），這是業界首個同時在數學和代碼兩個領域復現 DeepSeek-R1-Zero 性能的方法。

　　通過使用與 DeepSeek 相同的基礎模型（Qwen2.5-32B）和純粹的強化學習訓練，SRPO成功在AIME24和LiveCodeBench基準測試中取得了優異成績（AIME24 = 50、LiveCodeBench = 41.6），超越了DeepSeek-R1-Zero-32B 的表現。更值得注意的是，SRPO 僅需 R1-Zero 十分之一的訓練步數就達到了這一水平。

海量資訊、精準解讀，盡在新浪財經APP

責任編輯：盧昱君