21
2025/10
腾讯优图提出免训练GRPO，在上下文空间中实现策略优化
我们对如何有效规模化（scale）RL 的理解却远远没有跟上步伐。与已经建立起成熟、可预测的规模化法则（Scaling Laws）的预训练阶段不同，LLM 的
...