一篇新研究论文介绍了GRPO(群体奖励策略优化)及其变体Team-GRPO,旨在优化依赖于群体响应集体输出来获取的奖励。标准的GRPO应用于群体依赖奖励时,可能导致“锦标赛”目标,其中每个响应都与其群体成员竞争,可能引起多样性崩溃和比未经训练的模型更差的性能等问题。然而,Team-GRPO仅使用每个提示的两个样本且无需额外的模型调用,即可提供群体依赖奖励的无偏估计,在GlobalOpinionQA和NoveltyBench等基准测试中表现出显著的改进。 AI
影响 引入了一种新颖的方法来训练具有群体依赖奖励的AI模型,有可能在需要多样化或协作输出的场景中提高性能。
排序理由 详细介绍一种新的AI奖励优化方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →