跳到主要内容

把 RLVR 与靠人类两两比较驱动的 RLHF 放在一起看,奖励各从哪里来,质量上限又被什么卡住?

Agent 学习与策略优化中级对齐

题目​

把 RLVR 与靠人类两两比较驱动的 RLHF 放在一起看,奖励各从哪里来,质量上限又被什么卡住?

参考答案​