Về tối ưu hóa chính sách quy định của KL

Đoạn trích bài viết

Học tập tăng cường không đồng bộ (RL) cho các agent mô hình ngôn ngữ lớn (LLM) huấn luyện một chính sách về các quỹ đạo được tạo ra bởi một khác: việc triển khai đến từ các điểm kiểm soát cũ, và xác suất của động cơ suy luận khác với các nhà huấn luyện ngay cả ở các tham số giống nhau.