verifiable-reward

标签

#verifiable-reward

带可验证奖励的策略内蒸馏

Hugging Face Daily Papers ↗ · 2026-08-25 缓存

论文介绍了OPDVR，这是一种结合策略内蒸馏与可验证奖励的方法，使用ReLU门控重配来增强大型语言模型的推理能力，无需额外超参数，在六个基准测试上优于标准方法。

0 人收藏 0 人点赞