SetGRPO 提出校准评分器扰动的策略优化方法，在 Qwen3.5 与 Llama3.2 上十个基准拿下最高宏平均
用评分器训开放式任务的 RL 方法容易因打分波动跑偏，这篇给 GRPO 加了不确定性和风险控制，实测在 Qwen3.5 和 Llama3.2 上十个基准平均分最高。
#SetGRPO
共 1 条 · 7 天 1 条 · 30 天 1 条
信息流里打上「SetGRPO」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月28日
用评分器训开放式任务的 RL 方法容易因打分波动跑偏，这篇给 GRPO 加了不确定性和风险控制，实测在 Qwen3.5 和 Llama3.2 上十个基准平均分最高。