stability-exploration

标签

#stability-exploration

超越稳定性-探索困境：LLM策略优化的环境正则化

Hugging Face Daily Papers ↗ · 2026-08-24 缓存

本文介绍了ERPO，一种通过控制查询分布将正则化从动作侧转移到输入侧的方法，解决了LLM策略优化中的稳定性-探索困境，并在数学推理基准测试中展示了改进。

0 人收藏 0 人点赞

← 返回首页

提交意见反馈