标签
本文针对低方差奖励下群组相对优化中的优势尺度校准问题，提出了如Reward-Resolution Protocol和MaxNorm-AC等方法，以过滤亚分辨率抖动并为可信差距提供有界恢复。
Memory-R2 引入了 LoGo-GRPO，这是一种结合了局部与全局分组相对优化的训练框架，为长程记忆增强型LLM代理提供更公平的信用分配，从而在多种骨干网络上提升准确率和推理延迟。