← Επιστροφή σε όλα τα κουίζΚουίζ που συνδέεται με οδηγό • Σκληρός Επίπεδο • 6 Ερωτήσεις

Ομαδοποιημένη κανονικοποίηση ανταμοιβής στο Κουίζ RLHF

Δοκιμάστε την κατανόησή σας για την ομαδοποίηση ομαδοποιημένης ανταμοιβής και τον αλγόριθμο GRPO.

Σχετικές διαδρομές οδηγών

Ομαδοποιημένη κανονικοποίηση ανταμοιβής σε Rlhf
Ερώτηση 1 του 6Σωστό: 0

Στην ομαδοποιημένη ομαλοποίηση ανταμοιβής, ποια είναι η ανταμοιβή κάθε απάντησης σε σύγκριση με;