我希望在使用 grpo 进行标量奖励或信用分配时,能获得更多关于 1 位信号的信息(我的直觉是它有所不同)。 一些关于新型强化学习(RL)的研究,针对的并非qwen模型,因为即使对积极结果的惩罚力度也很大。 (仔细想想,这些话其实和引用的推文有点关系不大)
正在加载线程详情
正在从 X 获取原始推文,整理成清爽的阅读视图。
通常只需几秒钟,请稍候。
正在加载线程详情
正在从 X 获取原始推文,整理成清爽的阅读视图。
通常只需几秒钟,请稍候。
共 1 条推文 · 2025年12月1日 13:59
我希望在使用 grpo 进行标量奖励或信用分配时,能获得更多关于 1 位信号的信息(我的直觉是它有所不同)。 一些关于新型强化学习(RL)的研究,针对的并非qwen模型,因为即使对积极结果的惩罚力度也很大。 (仔细想想,这些话其实和引用的推文有点关系不大)