使用DeepSeek的GRPO，7B模型只需强化学习就能拿下数独 下午12时 2025/03/11 作者 机器之心 数据，7B 参数模型能单纯通过强化学习学会玩数独吗？ 近日，技术博主 Hrishbh Dalal 的
