页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Group Relative Policy Optimization」找到 27 条内容
按专题浏览 →匹配正文：…四、学习方式：从静态训练到持续进化 学习类型 实现路径 模仿学习 收集专家轨迹，行为克隆+逆强化学习 环境反馈 在线RL（PPO/GRPO），奖励模型需精细设计避免奖励黑客 社会学习 多Agent交互、观察其他Agent策略 世界模型 构建内部环境模拟器，支持想象与规划 核心挑战：灾难性遗忘与分布外泛化的平衡，需结合正则化与记忆回放 五、系统性整合示例 用户请求 → 意图理解 → 任务分解 → [工具检索/选择 → 执行 → 观察]循环 ↑__________________…
匹配正文：…指令，引入思维链（CoT）数据增强推理能力 知识边界标注：明确标注"已知/未知"样本，训练模型识别知识盲区 对齐训练 DPO 与 GRPO 分开理解：DPO 用偏好对直接优化策略，无需另训显式奖励模型；GRPO 是基于组内奖励计算优势的强化学习方法，省去的是 critic/value 模型，奖励仍需来自奖励模型或可验证规则。二者都不会自动保证事实准确性。 事实性约束RL：在奖励函数中加入事实核查分数，惩罚幻觉输出 三、推理优化层面 解码策略 Self-Consistency：…
匹配正文：…序，再从0开始枚举，序号能被val_every整除的记录进入验证，其余进入训练。默认间隔是10，因此第0、10、20条进入验证。 GRPO构造器采用同样的排序与取模规则。两者生成的数据用途不同，但决定train或val的这一步，都没有根据问题族或来源组进行判断。后续保存主题、难度或来源文件，不会反过来改变前面已经作出的分配。 这种方式有清楚的好处：同一份清单，即使读取时顺序不同，排序以后仍会得到一致结果。数据构造容易重现，也方便按ID回查。但可复现描述的是分配规则是否稳定，家…
学习内容与项目面试，在同一条路上。