NEUTraining-Inference-Mismatch bei LLM-Reinforcement-Learning durch monotone Policies auflösen6. Juli 20266. Juli 2026AI ModelsEin Training-Inference-Mismatch in LLM-RL führt zu persistenter Off-Policyness; MIPU löst dies durch selektive Acceptance von Policy-Updates basierend auf Inference-seitigen Verbesserungen. Share on:
