跳到主要内容

若 GRPO 同一组里每条回答的奖励都一样,训练信号会怎样?

Agent 学习与策略优化中级学习与策略优

题目​

若 GRPO 同一组里每条回答的奖励都一样,训练信号会怎样?

参考答案​