在政策之外的RL

ReSPO:通过重塑序列政策优化解决非政策学习中的渐变饥饿问题

ReSPO通过重塑序列级重要权衡来解决政策之外的RL中的梯度饥饿问题,稳定了大型 MoE 培训与过时的推出