训练后策略优化理论：覆盖范围崩溃和参考重置

原文：A Theory of Policy Optimization in Post-Training: Coverage Collapse and Reference Resets

策略优化是语言模型训练后的核心，但原则指导仍然有限。我们重新审视其理论基础，以确定使用总样本和由基本模型的响应覆盖范围（衡量其生成最佳响应的难易程度的衡量标准）控制的梯度步长来学习接近最优策略的算法。我们将此类算法称为覆盖率保留算法。这个瓜兰

正文由本站服务器抓取保存（已自动过滤广告、推荐位与追踪图片），排版与原站可能不同；版权归原站所有。