后训练：微调与对齐
为什么 GRPO 要对同一问题采样多个回答并做组内奖励归一化？这对大语言模型推理能力训练有什么帮助？
原题为什么 DAPO 被认为是对 GRPO 的改进？它在 clip、采样、loss 和训练稳定性上做了哪些优化？
原题VAPO 等新方法主要解决什么问题？它们如何改进长推理强化学习训练？
原题为什么不能只用 reward score 评估大语言模型偏好优化算法？PPO、DPO、GRPO 等方法应如何评估？
原题如何选择大语言模型微调框架？
原题大语言模型时代常见微调和后训练框架各有什么特点？
原题
暂无题目