arxiv · arXiv · 2026-09-29 15:53 · 评分 86
针对群相对策略优化对离群奖励和token级log比例扰动敏感的问题，提出双通道鲁棒优化器RoVR-GSPO：奖励通道采用鲁棒参考估计，序列权重通道分别处理，以提升训练稳定性。
原文：arXiv ｜ 返回 AI 资讯列表