HalfCheetah-v4

新的 Pair-GRPO 算法增强了 LLM 对齐的稳定性和泛化能力

研究人员引入了 Pair-GRPO 系列，这是一个新颖的理论框架，旨在增强用于对齐大型语言模型（LLM）的强化学习（RL）的稳定性和通用性。该系列包含两个变体：Soft-Pair-GRPO 和 Hard-Pair-GRPO，它们通过优化奖励信号和引入显式策略约束，解决了当前成对偏好学习方法的局限性。在标准的 LLM 对齐基准和连续控制任务上的实验表明，Pair-GRPO 在对齐质量和训练稳定性方面始终优于现有方法。