MMR-GRPO: Acelera el entrenamiento GRPO con recompensas basadas en diversidad
MMR-GRPO acelera el entrenamiento GRPO priorizando soluciones diversas: reduce un 47.9% pasos y 70.2% tiempo.
#recompensas por diversidad
MMR-GRPO acelera el entrenamiento GRPO priorizando soluciones diversas: reduce un 47.9% pasos y 70.2% tiempo.