Bộ tối ưu hóa hạng thích ứng theo phổ cho học tăng cường mô hình ngôn ngữ lớn với Verifiable Rewards

Đoạn trích bài viết

Học tăng cường với phần thưởng có thể xác minh (RLVR) đang tái định hình cách các mô hình ngôn ngữ lớn (LLM) đạt được khả năng suy luận, tuy nhiên các bộ tối ưu hóa được sử dụng phần lớn vẫn kế thừa từ quá trình huấn luyện theo phương pháp cưỡng bức giáo viên (teacher-forcing).