北大和lse

DPO与GRPO谁更胜一筹？港中文、北大等联合发布首个系统性对比研究 近年来，强化学习 (RL 在提升大型语言模型 (LLM 的链式思考 (CoT 推理能力方面展现出巨大潜力，其中直接偏好优化 (DPO 和组相...