站内搜索

垂直模型对齐怎么做：把奖励规则写成代码，再跑 GRPO

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。