标签
名为 OpenResearch 的新功能支持复现和基于论文进行实验，通过一键模板即可在 ToolRL 上训练 Vector Policy Optimization (VPO)，从而实现多样化的答案生成并改进测试时搜索。
介绍了向量策略优化（VPO），一种新的 RL 方法，通过处理向量值奖励来改进 LLM 的测试时扩展，优于传统的标量奖励方法。