policy-entropy

标签

#policy-entropy

解密语言模型的强化学习后训练

arXiv cs.LG ↗ · 2026-08-27 缓存

本文剖析了大型语言模型的强化学习后训练算法，探讨了基础模型分布、奖励信号粒度和提示多样性如何影响后训练结果。

0 人收藏 0 人点赞

← 返回首页

提交意见反馈