DeepSeek开发的GRPO（Gradient-based Reinforcement Policy Optimization）算法，成功地让一个仅有70亿参数的小型语言模型掌握了数独游戏。这项研究的主要贡献在于，仅通过强化学习的方式，就使该模型能够解决数独问题，这在以前可能需要更复杂的策略或更多的训练资源。

GRPO是一种基于梯度的强化学习方法，它将深度学习与强化学习的优点相结合，以优化策略。在这个过程中，模型通过与环境的交互来学习，逐渐提高其解决问题的能力。具体来说，模型会生成一系列数独谜题的解决方案，并根据这些解决方案的质量来调整其策略。这种方法使得模型能够在没有人类专家指导的情况下，自主地学习如何有效地解决数独问题。

实验结果表明，使用GRPO算法训练的7B模型，在处理各种难度级别的数独问题时表现出了出色的性能，证明了这种方法的有效性。此外，由于这种方法只需要强化学习，而不需要大量的预训练数据或者复杂的监督信号，因此它为解决其他复杂问题提供了一种新的思路和方法。

需要注意的是，尽管这个研究展示了令人印象深刻的结果，但数独问题与更复杂的现实世界任务相比仍然相对简单。对于更复杂的问题，可能需要结合多种技术，包括但不限于深度学习、强化学习以及特定领域的知识等。