是从纯RL入手，利用 GPRO + Rule-Based Reward 激活模型能力 ➢ 核心观念：不管模型中间做错了什么，只要不是重复的，那么最后模型做对了，我们就认为这是一 个好的探索，值得鼓励。反之，如果模型一顿探索，最后做错了，那么再努力也是错，要惩罚。 33 技术对比讨论：Kimi K1.5 vs. DeepSeek-R1 Comparison Takeaways ➢ GRPO ：利用同一问题下多个