Bilanz der Quelle: STAR-GRPO ist ein neues Modell, das das Problem des Reward Hacking in der gruppenbasierten Policy-Optimierung angeht. Es nutzt gepaarte Bewertungen desselben Rollouts, um die Zuverlässigkeit jedes Rollouts zu bestimmen. Auf dieser Grundlage werden die Updates der anderen Rollouts entsprechend angepasst.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
