vector-rewards

标签

#vector-rewards

@ishapuri101: 我一直觉得强化学习把所有奖励信号压缩成一个标量是不合理的。今天，我们解决了这个问题！引入向量策略优化…

X AI KOLs Timeline ↗ · 2026-05-22 缓存

引入向量策略优化（VPO），用于训练模型使用向量值奖励而非标量奖励，从而为测试时搜索生成多样化的答案集合。

0 人收藏 0 人点赞

← 返回首页

提交意见反馈