离线策略学习

引用本概念的论文(1)

• ARMOR:用离线策略锚定样本稳定在线LLM强化学习 ARMOR: Stabilizing On-Policy LLM RL with Off-Policy Anchor Samples arXiv 2607.10481

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)。