← Tillbaka till alla frågesporterGuidelänkat frågesport • Hårt Nivå • 6 Frågor

Frågesport för optimering av grupprelativ policy

Testa din förståelse för hur GRPO tränar språkmodeller med förstärkningsinlärning.

Relaterade ledstråkGrupprelativ policyoptimering
Fråga 1 av 6

Vilken huvudkomponent av PPO eliminerar GRPO?