Vorteile der fortlaufenden RL-Ausbildung durch SAPO in der Feinabstimmungsphase nach der Instruktion

Das Qwen-Team schlug die Soft Adaptive Policy Optimization vor, um die Stabilität von Großmodell-RL zu verbessern

Das Paper zum Soft Adaptive Policy Optimization (SAPO)-Algorithmus wurde auf arXiv veröffentlicht, und anschließend stellte das Qwen-Team diese Reinfo...