强化学习与对齐
【GRPO与PPO稳定性对比】GRPO和PPO哪个训练更稳定？ 「阿里巴巴」
原题【GRPO优势基线】GRPO在计算Advantage时，Baseline是如何选取的？ 「字节跳动」
原题【GRPO公式】GRPO公式是什么? 「字节跳动」
原题【GRPO冷启动】GRPO前有没有冷启动过程。 「京东」
原题【GRPO原理与模型】DeepSeek的GRPO（Group Relative Policy Optimization）是如何实现的？为什么能进行组优化？GRPO用到了哪些模型？ 「百度」
原题【GRPO均值计算】GRPO 均值怎么算的? 「腾讯」
原题【GRPO无需价值模型】GRPO为什么不需要价值模型（value model）和单独训练的奖励模型（reward model）？ 「字节跳动、腾讯、阿里巴巴」
原题【GRPO权重粒度】GRPO了解嘛？GRPO目前函数的权重是token level的还是序列level的？ 「腾讯」
原题【GRPO模型角色】GRPO中 old policy、reference model、policy model分别起什么作用？ 「字节跳动」
原题【GRPO裁剪与KL散度】GRPO中clip和kl散度约束作用和区别。GRPO中 KL或reference penalty的作用是什么? 「字节跳动、阿里通义」
原题
暂无题目