MLREF: эффективное повторное использование модуля для награждения в обучении с помощью моделей с большим языком
arXiv:2608.18827v1 Анонс Тип: кросс-абстракт: дизайн функции вознаграждения остается узким местом в обучении с подкреплением. В то время как большие языковые модели (LLM) позволили автоматизировать генерацию вознаграждений, существующие методы генерируют и пересматривают функции вознаграждения как…