#GRPO
共 2 篇相关文章
·4 分钟
Perplexity与NVIDIA推出JOLT：师生联合强化学习新方法
Perplexity与NVIDIA联合提出JOLT后训练方法，让单一模型同时充当教师与学生，在MATH基准上以6.5倍更少训练token达到GRPO同等准确率。本文解读其师生联合强化学习机制、token效率意义与待验证问题。
阅读全文 →
·6 分钟
能训练推理LLM的GRPO，为何教不会机器人走路
GRPO让DeepSeek推理模型训练更便宜，但为何无法用于机器人控制？Reddit技术讨论指出两个原因：critic被删导致信用分配问题回归，以及LLM特有的终局奖励、可重放环境、预训练先验等条件在控制任务中不成立。De Oliveira等人的对照实验显示PPO在五个经典控制任务中全面胜出。
阅读全文 →