站内搜索

关键词：奖励规则

找到 2 篇相关文章

2026-07-17 09:08:09 0 阅读

金融、医疗、法律任务里，很多错误可以直接核验。GRPO 去掉 Critic 后，可用代码奖励替代一部分奖励模型；省下价值网络的同时，采样开销、规则漏洞和评测压力会更突出。

2026-07-17 06:37:55 0 阅读

当 Agent 在多步任务里反复跑偏，继续加“请一步步思考”往往只能改变当次输出。GRPO 去掉 Critic，用同题多回答的相对得分更新模型，把优化重点移到可验证的奖励规则。