← Tilbake til alle quizerGuide-lenket quiz • Hardt Nivå • 6 Spørsmål

Optimaliseringsquiz for grupperelativ policy

Test din forståelse av hvordan GRPO trener språkmodeller med forsterkende læring.

Relaterte ledestier

Spørsmål 1 av 6Riktig: 0

Hvilken hovedkomponent av PPO eliminerer GRPO?