UUSSAO: ühe väljarulluga meetod parandab agendipõhise RL-treeningu stabiilsust9. juuli 2026Tehisintellekti mudelidRühmapõhise proovivõtu asemel kasutatav ühe väljarulluga proovivõtt stabiliseerib asünkroonset RL-treeningut ja edestab GRPO-d agendipõhistel võrdlusalustel. Share on:
