文章详情

GRPO

在大语言模型（LLM）的训练与对齐过程中，如何在保证模型性能的同时提升训练效率，一直是学界和工业界关注的焦点。常见的方法有 PPO（Proximal Policy Optimization） 和 DPO（Direct Preference Optimization），但它们各自也有一些局限性。最近提出的 GRPO（Group Relative Policy

4 阅读