Design Arena 发布的博客《GLM-5.2 如何在网站设计上击败了 Fable 5》更是成为爆款文章，引发了广泛关注和热议。
但比这些分数更让技术圈坐不住的，是一个差点被淹没在技术博客角落里的细节：GLM-5.2 在长程强化学习阶段，放弃了 GRPO。
这件事不大，却像一根针，扎破了一个维持了一年多的共识。GRPO（Group Relative Policy Optimization，群体相对策略优化）由 DeepSeek 于 2024 年在 DeepSeekMath 论文中提出，又经 DeepSeek-R1 验证，此后几乎成了开源社区训练推理模型的默认答案——不需要价值网络，也能训出强推理能力。GLM-5.1 的强化学习阶段，用的正是这套思路。一年多以后，GLM-5.2 悄悄把它换掉了。
一个被验证过的范式，正在被它最早的追随者之一悄悄抛弃。
完整内容戳👆🏻正文~ 感谢阅读，如果你觉得对你有用的话 ~ 欢迎点赞收藏并分享给你的盆友们~非常感谢！
