GRPO (Group Relative Policy Optimization)

引用本概念的论文(1)

• 当不可信词元被强化时：面向大语言模型强化学习的尾部感知信用校准 When Implausible Tokens Get Reinforced: Tail-Aware Credit Calibration for LLM Reinforcement Learning arXiv 2607.07976

共现相关概念

在引用本概念的论文中,与下列概念同时出现的次数(降序)。