前沿对照与争议

⑧ 前沿印证与评价 · 梁文锋 Insight

前沿印证与评价：GRPO 之后、NSA 之后、争议之中

检验一条技术路线是否「真前沿」，最好的方式是看它被谁接力、被谁质疑。本模块分两半：前半是技术前沿的印证——GRPO 之后的算法谱系、NSA→DSA 的稀疏注意力落地、混合推理与 Agent 化；后半是外界评价与争议——荣誉与蒸馏质疑两面并列、各标立场。内容以 research/02-…dossier.md E 章 + 01-…dossier.md §11 为准，2026 进展标可信度。

[GRPO 后续演化](#evolution)[NSA → DSA](#sparse)[混合推理 · Agent](#agent)[能力矩阵](#matrix)[2026 进展](#latest)[荣誉](#honor)[蒸馏争议（三层）](#controversy)[我的看法](#take)

  本章速记

被接力：DeepSeek 出 GRPO，社区/友商随即出 DAPO（字节 Seed）/ Dr.GRPO（Sea AI Lab）/ GSPO（阿里 Qwen）修正其偏置——这是「先发」被印证为前沿的证据，也埋下「先发≠长期引领」的伏笔。而 DeepSeek 自己没在这条损失函数赛道上接力：V4 把后训练换成分域 GRPO 养专家 + 多教师 On-Policy Distillation 合并（GRPO 仍在专家阶段使用，被替换的是统一模型那段混合 RL）。本页只陈述「谁接力了什么」这一事实；「效率壁垒是否因此收敛」的完整辩证在 ⑩ Q1，此处不重复论证。
被落地：DeepSeek 的稀疏注意力方向从 NSA（原生稀疏注意力）走到产品线的 DSA（V3.2 起），V4 用 CSA+HCA 把 1M 上下文推理 FLOPs 降到 V3.2 的 27%、KV cache 降到 10%——效率战场从「训练成本」转向「长上下文推理成本」（Agent 时代主战场）。DSA 可视为同一稀疏注意力方向的后续产品实现；公开资料不足以证明其直接继承 NSA 的具体机制。
被评价：荣誉（《自然》十大 / TIME100 / 《财富》）与争议（蒸馏质疑、成本误读、半开放）并存。蒸馏争议必须两面并列：指控方（OpenAI / Anthropic） vs DeepSeek《自然》补充材料的回应。

E1 · GRPO 之后：一条被社区接力改进的算法谱系

GRPO（⑥ B5）用「组内平均奖励当基线、去掉价值网络」省了一个大模型的显存，但也留下几处偏置。这些偏置很快被后续算法逐一修补——提出者大多不是 DeepSeek 自己，而是字节、Qwen、Sea AI Lab 等。演化主线：

  算法核心改动解决 GRPO 的什么问题提出方 / 来源

    DAPOClip-Higher（非对称裁剪）、Dynamic Sampling（过滤零优势组）、Token-Level Loss、Overlong Reward Shaping；去 KL（\(\beta=0\)）熵坍塌、零梯度浪费、长序列梯度稀释、长度偏置字节 Seed（[@arxiv-2503-14476]）
    Dr.GRPO去掉 \(\operatorname{std}\) 归一（mean-only）、用常数替代 \(1/|o_i|\) 归一难度偏置、长度偏置Sea AI Lab（[@arxiv-2503-20783]）
    GSPO优化粒度从 token 级 → 序列级重要性比MoE 下逐 token 比方差过大 / 不稳阿里 Qwen 团队（[@arxiv-2507-18071]）

2025 → 2026：这条谱系还在延长（每项标元数据与复现状态）

到 2026 年，这条「修 GRPO」的谱系并未停在 DAPO/GSPO，而是把重心从「能不能训得动」转向长度无偏、采样效率、序列级 / 全局稳定性三条轴。下表只收录可核验（有 arXiv / OpenReview 编号）的方法，逐项标注提出方、编号、日期与复现状态；坊间未证实的提法单列「观察清单」，不进事实谱系。

  方法题名 / 出处提出方 / 作者arXiv / OpenReview · 日期复现状态归类（改了什么）

    LSPOLength-aware Dynamic Sampling for Policy Optimization in LLM ReasoningWeizhe Chen、Sven Koenig、Bistra Dilkina（USC / UC Irvine）[@arxiv-2510-01459] · [@web-openreview-net] · 2025-10有官方代码（基于 verl）；尚无广泛独立复现沿 DAPO 动态采样，加入长度信号筛数据
    CISPO出自 MiniMax-M1: Scaling Test-Time Compute Efficiently with Lightning AttentionMiniMax 团队[@arxiv-2506-13585] · 2025-06已被 NeMo-RL / ms-swift 等框架实现裁剪重要性权重（detached），保留全 token 梯度
    REINFORCE++REINFORCE++（后续版：Stabilizing Critic-Free Policy Optimization with Global Advantage Normalization）Jian Hu 等[@arxiv-2501-03262] · 2025-01集成于 OpenRLHF 框架并行谱系：全局 batch 归一，非 GRPO 直接后代

▲ 三条轴与既有论文事实

上表三项对应三条轴：长度无偏（LSPO 沿 DAPO 动态采样加长度信号）、序列级稳定（GSPO ^[1] 已被指出可能引入新的「响应长度偏置」）、全局 / off-policy 稳定（CISPO / REINFORCE++）。DAPO 的动态采样 + 非对称 clip 仍是采样效率一路的公共底座（见上文 E1 表）。 ⚑ 观察清单（坊间说法·未证实，不进事实谱系）

坊间另有「长度无偏序列优化（LUSPO 说法）」「回溯式验证（PIPO）」等提法，截至 2026-07 未见对应 arXiv / OpenReview 论文与独立复现，一律按【坊间说法·未证实】处理，本报告不将其列入上表事实谱系。llm-stats.com/blog/research/post-training-techniques-2026（二手综述）· Berkeley Scalable-AI Lecture 15 · dossier 02 §E1

DeepSeek 自己的下一步（V4）：分域 GRPO 养专家 → 多教师 On-Policy Distillation 合并

上表这条「修 GRPO 损失函数」的谱系里，署名多不在 DeepSeek——但这不等于它停在了 GRPO。据 V4 技术报告 ^[2] §5.1，DeepSeek 换的是整个后训练范式：V3.2 流水线里那个「混合 RL 统一训练」阶段被 On-Policy Distillation（OPD · 在线策略蒸馏）整体替换，后训练因此变成两阶段——先分域养出专家，再把多个专家蒸成一个统一模型。

  各域先 SFT→
  各域再 GRPO RL→
  十余个领域专家→
  ② 多教师 OPD（reverse KL）→
  单一统一模型

\[ \mathcal{L}_{\text{OPD}}(\theta)=\sum_{i=1}^{N} w_i \, D_{\mathrm{KL}}\big(\pi_{\theta} \,\|\, \pi_{E_i}\big) \]\(\{\pi_{E_1},\dots,\pi_{E_N}\}\) 为 N 个领域专家（教师），\(w_i\) 为按重要性分配的权重。KL 的方向是 reverse KL（学生 \(\pi_\theta\) 在前）：要算它就必须从学生自己采样轨迹——这正是「on-policy」一词的来源，学生在自己走出的轨迹上，去对齐当前任务最相关的那位专家。V4 另一处工程选择是全词表 logit 蒸馏，而非把 KL 简化成逐 token 估计、再塞回 RL 框架当优势项；理由是后者梯度方差大、易不稳。〔报告 §5.1.2 · 式 (29)〕
◈ 这条脉络意味着什么

一、它给「多专家 → 单模型」提供了一条不靠权重合并的能力整合路径。过去要把几个专精模型并成一个，要么做 weight merging、要么再跑一遍混合 RL，两者都容易掉点；OPD 走的是 logits 级对齐，把分散在不同权重里的能力压回同一参数空间，报告称其可规避上述两类做法常见的性能退化。二、措辞必须精确：这不是「RL 被整体取代」。被替换掉的只是统一模型那一段的混合 RL；GRPO 仍然用在每一个领域专家的 RL 阶段（§5.1.1 明写超参沿用 R1 / V3.2 口径）。三、它让 E1 的判断更准确：DeepSeek 不是「没在 GRPO 赛道上接力」，而是换了赛道——改进重心从「RL 目标函数的偏置」移到了「后训练流水线怎么组织」。这也给 ⑩「纯 RL 的上限」那一问补上一条来自 DeepSeek 自己的证据：最终形态是 SFT × RL × 蒸馏的混合体，而不是单一的「纯 RL」。

● 印证与伏笔

一个方法能被这么多顶尖团队「拿去改」，本身就是它站上前沿的最强背书——GRPO 事实上成了这一代 RLVR 的默认起点。但换个角度：把方法开源出去，等于把「下一步改进的署名权」也部分让渡了。这正是梁文锋「开源即让利」哲学的技术注脚。而 DeepSeek 自己的回应是「换赛道」——见上一小节：它没有在同一条损失函数赛道上接力，而是在 V4 改掉了整个后训练范式。这把矛盾更精确地抛给了 ⑩：先发开源，能否等于长期引领？一句话收口：招数被接力是可核验的事实，但「整体效率壁垒会不会因此收敛」是另一个问题——含「单项招数扩散」与「整体壁垒收敛」之别、置信度与改判条件的完整辩证，见 ⑩ Q1，本页不再重复论证。

E2 · NSA → DSA：把长上下文成本再压一个量级

如果说 MLA 解决的是「每 token 的 KV 显存」，稀疏注意力解决的是「长序列里 token 之间的两两计算」。DeepSeek 的 NSA（原生稀疏注意力，2025.02）把它做成了训练即可用的形态——三分支并联，再用可学习门控融合： [ \operatorname{NSA}(q_t)=\operatorname{Gate}\big(\operatorname{Cmp}(q_t),\ \operatorname{Sel}(q_t),\ \operatorname{Win}(q_t)\big) ]三分支：(\operatorname{Cmp}) 压缩（粗粒度全局）· (\operatorname{Sel}) 选择（细粒度重点块）· (\operatorname{Win}) 滑动窗口（局部）；门控自适应加权。硬件对齐的 blockwise kernel 使其在 64k 序列上解码最高 ~11.6× 提速，性能不降反升。

  🧩

三分支 + 门控

压缩看全局、选择抓重点、滑窗保局部；门控可学习，端到端可训，避免「训练稠密、推理才稀疏」的错配。 ⚙️

NSA → DSA 落地

V3.2-Exp（2025.09）起产品线采用 DSA（DeepSeek Sparse Attention）；V4 进一步用 CSA+HCA 混合注意力。DSA 可视为同一稀疏注意力方向的后续产品实现；公开资料不足以证明 DSA 直接继承 NSA 的具体机制。

  V4 · 默认 1M 上下文
  1M 下推理 FLOPs 仅 V3.2 的 27%
  KV cache 仅 10%
  效率战场：训练成本 → 长上下文推理成本

▲ 口径与 hedge

NSA（arXiv:2502.11089）为独立研究；产品线里的稀疏注意力以 DSA 为准，二者是「同一技术脉络、不同落地」，不宜混为一谈。V4 的 CSA/HCA（§2.3）、mHC（§2.2）、Muon（§2.4）与「27% FLOPs / 10% KV」（摘要）均据 V4 技术报告 ^[2]——报告已发布，站内数字与报告一致，不再作「待核实」处理。仍然成立的那一条 hedge 是：V4 系列为官方「预览版模型」（论文自述 “a preview version of the DeepSeek-V4 series”），正式版的架构参数与指标可能调整——「preview」修饰的是模型系列本身，不是「技术报告未定稿」。^[3] · ^[2]（V4 技术报告）· ^[4] · ^[5] · dossier 02 §E2/§A7]

E3 · 混合推理 / Agent / 记忆：能力形态的演进

模型的形态正在从「一次问答」变成「一段自主工作」。DeepSeek 的三条动作线：

  🎚️

把「思考」变成旋钮

V3.1 起单模型内置 think / non-think 双模式；V4 提供 Non-think / Think High / Think Max 三档——把 test-time compute 工程化为可调预算。 🛠️

Agent 化

V3.1 起主打工具使用与 Agent：SWE-bench Verified 66.0、Terminal-bench 31.3；V4 以「百万上下文 + 后训练 Agent 决策」瞄准长程任务。 🧠

持续学习 / 记忆

与梁「下一代模型必须有持续学习能力」呼应，但 DeepSeek 至今无公开的记忆架构论文——属方向性判断，勿当已落地。

能力矩阵：持续学习 / 记忆 / 长程 Agent —— 谁已实现、谁还在愿景里

把「持续学习 / Agent 工程」拆成可核对的能力项，横向对比 DeepSeek 公开可查的状态（五档）、行业参照（具名系统 / 论文 / 基准）、以及梁文锋所述的愿景——既避免把「愿景」误读成「已实现」，也避免用「通用工程实践综述」兜底，让前沿章不至沦为「模型发布年表」。

  能力项DeepSeek 状态（五档）行业参照（具名系统 / 论文 / 基准）梁的愿景 / 方向

    外部记忆 / RAG【未公开】未见官方持久化记忆 / RAG 产品证据；仅长上下文 + 工具接口（function calling）RAG（[@arxiv-2005-11401]）、MemGPT（[@arxiv-2310-08560]）、向量检索（FAISS）；记忆基准 [@arxiv-2410-10813]把「记忆」并入爬楼梯的持续学习一阶（愿景）
    参数更新（持续 / 在线学习）【未公开】未见官方在线 / 持续参数更新方案持续预训练 / 离线增量微调已有实践，但≠ 在线持续学习；灾难性遗忘未根治（综述 [@arxiv-2302-00487]）「下一代模型必须有持续学习能力」——核心愿景
    经验回放 / 抗遗忘【未公开】未见官方方案EWC（[@arxiv-1612-00796]）、replay / rehearsal、LwF 等属经典研究方法，非前沿大模型生产的普遍实践属持续学习待解问题（愿景）
    adapter / PEFT【仅社区可做】开放权重便于社区做 LoRA / PEFT；官方主线是全参训练LoRA（[@arxiv-2106-09685]）、QLoRA（[@arxiv-2305-14314]）、Adapter（[@arxiv-1902-00751]）已是标配非其主线叙事重点
    长程 Agent 工程

（harness / checkpoint / 轨迹压缩 / 评测）【有产品证据】V3.1 起主打工具使用与 Agent（SWE-bench Verified 66.0、Terminal-bench 31.3）；V4 以 1M 上下文 + 后训练 Agent 决策瞄准长程。harness / checkpoint / 轨迹压缩等工程细节官方未系统披露harness 如 ^[6] / ^[7]；评测如 ^[8] / ^[9]。「轨迹压缩 / checkpoint 已成最佳实践」缺统一系统 / 论文佐证，此处按”多种做法并存、未成公认标准”处理「全力做通用 / Coding Agent」、以自迭代反哺研发（愿景 → 进行中）

五档状态：已公开实现（有官方论文 / 系统）· 有产品证据（有产品 / 基准分数但工程细节未系统披露）· 仅社区可做（官方非主线，靠开放权重由社区实现）· 未公开（未见官方方案）· 愿景（仅方向性判断）。^[5] · ^[2]（V4 技术报告）· dossier 02 §E3；「行业参照」列为具名系统 / 论文 / 基准（可信度：官方论文）；「愿景」列为梁文锋会议整理语录〔非逐字〕]

⚑ 记忆架构：标【未证实】

「持续学习 / 记忆」是梁文锋爬楼梯路线（④）的关键一阶，但截至 2026-07，DeepSeek 官方尚无独立的「记忆架构」论文或模型卡。任何具体「记忆机制」细节均按方向性判断处理，不作为已落地技术引用。

E4 · 截至 2026.07 的最新公开进展（标可信度）

    2026.04.24

DeepSeek-V4（preview 版模型系列）

V4-Pro（1.6T 总 / 49B 激活）与 V4-Flash（284B / 13B），默认 1M 上下文；CSA+HCA 混合注意力、mHC、Muon 优化器；预训练 tokens Flash 32T / Pro 33T。官方 API 已上线 deepseek-v4-pro / deepseek-v4-flash。模型为 preview 版本；技术报告 ^[2] 已发布，以上参数与报告一致。 preview 版模型技术报告已发布1M 上下文

    2026.07.24（计划）

命名收敛（计划停用，尚未生效）

deepseek-chat / deepseek-reasoner 旧命名计划于 2026-07-24 15:59 UTC 后停用，届时统一对应 V4-Flash 的非思考 / 思考模式；截至 2026-07-23 尚未生效。官方文档计划

R2

官方从未发布

截至 2026-07-23，官方更新日志仍未见 R2 发布；一切「R2」说法一律按【未证实 / 传闻】处理，本报告不采信任何「R2」细节。未证实

^[5] · ^[2]（V4 技术报告）· ^[4] · dossier 02 §E4]

外界评价（一）：荣誉与同行背书

  🏆

《自然》2025 年度十大科学人物

被誉为「科技颠覆者（Tech disruptor）」——「以颠覆性的低成本打破行业垄断……让全球 AI 在『算力竞赛』的狂热中迎来理性转折」。 ⏳

TIME100 AI 2025 / 《财富》

入选《时代》「全球最具影响力 100 人」；《时代》称 R1 是「第一个足以挑战 OpenAI 最新产品的开源模型」（媒体原称「开源」；按本报告口径应为「开放权重」）。同年入选《财富》全球最具影响力商界人士。 👏

Andrej Karpathy

盛赞 DeepSeek 在有限资源下的能力，认为「可能重新定义大模型研发的规则」。 🧑‍🔬

Jack Clark（Anthropic 联创）

称 DeepSeek 雇了「一批高深莫测的奇才」——梁本人否认，强调「都是本土的应届生和年轻人」。

● R1 登《自然》：同行评审给的硬背书

R1 论文 2025-09-17 以同行评审形式登上《自然》封面、梁文锋为共同作者，是主流大模型里罕见的「经期刊同行评审」的一篇。论文披露 RL 阶段用 512 × H800、约 80 小时、约 $294K；补充材料首次承认自有 A100（用于前期小规模实验）。同行评审 + 主动披露算力口径，本身就是对「低成本奇迹」最有力的可信度加固。^[10] · ^[11] · dossier 01 §11.3 / REVIEW S4]

外界评价（二）：蒸馏争议 —— 三层拆解 · 两面并列，各标立场

这是全站最需要克制的一节。围绕「DeepSeek 是否蒸馏了 OpenAI / Anthropic 的模型」，指控方与 DeepSeek 官方的说法必须并列呈现，读者自行权衡；本报告不选边。先看两方立场原样并列，再把「蒸馏」这个词拆成三个不同的指控对象——因为很多争论的「各说各话」，正源于拿错层的证据去回应另一层的指控。

指控方立场

OpenAI（2025-01-29）：称发现 DeepSeek「使用其模型输出训练」的证据，但未公布细节；
OpenAI（2026-02，国会备忘录）：向美众议院「中国问题特别委员会」提交，指控绕过防护对 GPT 系列蒸馏，上升为「国家安全风险」「系统性搭便车」；
Anthropic（2026-02）：指控 DeepSeek / Moonshot / MiniMax 对 Claude 发动「工业化规模」蒸馏（约 2.4 万虚假账户、超 1600 万次交互、「九头蛇集群」）。

DeepSeek / 官方回应

《自然》同行评审作者回应 / 补充材料（就蒸馏质疑所述）：V3-Base 预训练数据主要来自公开网页与电子书文本，未故意加入 OpenAI 合成数据；
但承认网页含大量 AI 生成内容，基础模型可能「间接受益」；
独立复现（^[12]）显示纯 RL 路线可复现出强推理，倾向支持其说法。

把「蒸馏」拆成三个不同的指控对象（关键：证据常常答非所问）

「蒸馏」一词其实混装了三个层次完全不同的指控。把它们拆开，才能看清哪条证据到底回应了哪一层：

  层次（指控对象）具体指控 / 问题是什么原文定位（locator）能证明什么不能证明什么

    ② 主动 API 批量抽取是否主动、成规模地通过 API 抽取竞品输出用于训练（Anthropic 指控的「工业化规模」：约 2.4 万账户、超 1600 万次交互）指控方声明（Anthropic 2026-02 / OpenAI 国会备忘录，见本节[信源清单](#controversy)）；DeepSeek 未逐条正面回应此层提出了规模化指控与数字口径（账户数 / 交互次数）截至 2026-07 未公开可验证的技术证据；第 ①③ 层证据也都无法反驳本层
    ③ 是否必须依赖外部 teacherR1 达到该性能，是否非得靠外部更强模型当 teacher，而非自身 RL独立复现：[@web-huggingface-co-3]、代码 [@web-github-com]（Lewis Tunstall 等；其亦为该论文同行评审人之一）纯 RL 路线可复现出强推理（支持"能不靠 teacher 达到"）不能证明 DeepSeek "实际没做过"第 ② 层的 API 抽取

⚑ 关键：三层不能相互替代（本报告在三层上均不选边）

《自然》补充材料主要回应第 ① 层、纯 RL 复现只支持第 ③ 层——二者均不能直接反驳第 ② 层。因此，「数据没故意加 GPT 合成料」与「纯 RL 能复现」即便都成立，也不等于「从未通过 API 抽取过竞品输出」；反过来，指控方至今也未公开坐实第 ② 层的技术证据。本报告只强调：证据要对应到正确的层，别用第 ① / ③ 层的答案去「反驳」第 ② 层的问题。

⚑ 其它并存的质疑（客观陈述，不作定论）

①「半开放」质疑：开放权重 + 工具库，但未公开完整训练数据集，「最关键的数据来源始终处于黑箱」。②「成本误读」：<$6M 仅为最终训练一次的成本，外界对「低成本」存在放大误解（详见 ⑦）。③「还谈不上真正超越」：有评论指出，做出与 OpenAI 最新模型相差无几的模型仍非超越——「什么时候能赶在 OpenAI 前面推出未来一代模型……那时才是梁文锋技术理想的 AHA 时刻」。④ 数据隐私 / 安全：德国数据保护机构关注、以色列 Wiz 曾发现暴露数据库等。

  我的看法 · 作者（AI）个人观点

我对蒸馏争议的判断是：「间接受益」几乎确定，「系统性蒸馏」尚未被公开证据坐实，二者不是一回事（正对应上表第 ① 层与第 ② 层）。今天整个互联网语料早已被 AI 生成内容浸透，任何在 2024 年后爬网页训练的基座模型，都不可能完全隔离「他人模型的产物」——DeepSeek 在《自然》补充材料里承认这一点，反而是诚实且技术上站得住的表述。但这跟 Anthropic 指控的「2.4 万账户、工业化规模主动蒸馏」是两个量级的指控，后者目前停留在指控层面，缺乏公开可验证的技术证据。

真正让我觉得值得追问的，不是「蒸没蒸」，而是叙事的自洽性：一家把「原创式创新、要做贡献者而非搭便车」写进价值观的公司，同时把「最关键的数据来源」放进黑箱——这在逻辑上是有张力的。我不认为这构成道德问题（行业普遍如此），但它确实削弱了「纯原创」叙事的说服力。这条追问，我在 ⑩ 里会正面展开。 → 本条在 ⑩ 展开为 Q9（训练数据黑箱 vs「原创式创新 / 贡献者」叙事的自洽性）。本页另两条伏笔的收束处：「纯 RL 的上限」（见上文 E1 · OPD 一节）在 ⑩ Q3；「效率壁垒是否收敛」在 ⑩ Q1。

信源：算法谱系 DeepSeekMath/GRPO (^[13])、DAPO (^[14])、Dr.GRPO (^[15]《Understanding R1-Zero-Like Training: A Critical Perspective》, Sea AI Lab)、GSPO (^[1], Qwen)；稀疏注意力 NSA (^[3])、V4 技术报告 (^[2]，§2.2 mHC / §2.3 CSA+HCA / §2.4 Muon / §5.1 后训练两阶段)；R1《自然》论文 (^[10])；官方时间线 ^[5]；荣誉与争议见新民周刊 / 证券时报 / ^[16] / ^[17] / ^[18] / ^[11]。逐条见 research/02-…dossier.md §E 与 01-…dossier.md §11。

存疑与 hedge：① 后续算法提出方署名以各自论文/博客为准；② V4 系列为 preview 版模型，但技术报告 arXiv:2606.19348 已发布——CSA/HCA、mHC、Muon、27% FLOPs / 10% KV、Flash 32T / Pro 33T、分域 GRPO + 多教师 OPD 等站内表述与报告一致，不作「待核实」处理；仍保留的 hedge 是正式版参数与指标可能调整（「preview」修饰模型系列，非报告未定稿）。R2 官方未发布；③ 记忆架构属方向性判断【未证实】；④ 蒸馏争议两面并列：指控（OpenAI/Anthropic）与 DeepSeek《自然》补充材料回应各标立场，本报告不选边；⑤ R1 的 $294K 仅 RL 阶段、不含约$ 6M 基座；四小时会议（2026-05-20 整理稿·未经确认）引用为二手整理（可信度中）。

图片来源：DAPO Fig.1、R1 Fig.3、NSA Fig.1 与 Fig.2 取自对应 arXiv 论文原图（arXiv:2503.14476 / 2501.12948 / 2502.11089），仅作学术引用并注明出处；「PPO→GRPO→DAPO/Dr.GRPO/GSPO 演化树」为本报告原创 SVG；未热链任何人物肖像。

生成模型：Opus 4.8 · 独立 review agent 参与质量把关 · 最近更新：2026-07