Más allá de la región de confianza uniforme por token en RL para LLMs
CPPO mejora la estabilidad y precisión del razonamiento en LLMs al superar las regiones de confianza uniformes. Nuevo enfoque de optimización.
#divergencia de prefijo
Más allá de la confianza uniforme en tokens en RL para LLM
CPPO mejora el razonamiento de LLM al reemplazar la confianza uniforme por divergencia de prefijo acumulativa. Mayor estabilidad y precisión.