LLM 推理方式

A reinforcement learning 关于 OPD 的观点:为样本效率的最小正方形政策蒸 LLM推理

LSPD将政策蒸.改为KL规范的RL,使用最小平方匹配和重复来提高样本效率LLM推理.

意想不到的成功,持续的失败:以 89率驱动的探索信用分配在LLM推理中

在LLM的推理中,EAPO使用来分配代币信用,惩罚自信失败,奖励不确定的成功,并保持复苏.