arXiv Machine Learning
Фильтровая метрика — это данные о безопасности: призрачные преимущества в Group-Rlative RL под Shaped Rewards
arXiv: 2609.13866v1 Вид уведомления: новое резюме: оптимизация политики в зависимости от группы (ГРПО и потомки) может отказаться от создания групп, не имеющих противопоставимого эффекта, посредством ...
arXiv Machine Learning