非英杰不图

总结DeepSeek-R1 模型算法，并对其中的GRPO算法做一些补充学习补充。 DeepSeek-R1 论文总结 提出了通过强化学习提升大语言模型推理能力的方法，开发出 DeepSeek-R1

数据与任务描述 数据为客服与销售的通话之后的转录会话数据。 任务是预先设好的会话类别，对转录的会话数据进行内容分割，并对分割的结果做打标。 论文研究（GPT-Calls） 论文题目：GPT-Calls

PPO 算法宏观描述 PPO（Proximal Policy Optimization， 近端策略优化） 是一种用于训练强化学习模型的算法。它可以用于调整语言模型，使得模型生成的结果更符合人类的偏好。