Trening
Groupwise Reward Synthesis
2026BadawczyAktualizacja: 22 września 2026Opublikowany
Technika RL syntezująca sygnał nagrody na poziomie grupy próbek (rollouts) dla tego samego zapytania, zamiast oceniać każdą odpowiedź w izolacji.
Kluczowa
innowacja
Synteza nagrody na poziomie grupy rolloutów zamiast oceny pojedynczych próbek.
Kategoria
Trening
Poziom abstrakcji
Building block
Poziom operacji
Po-trening
Zastosowania
RL dla LLMRozumowanie matematyczne/kodoweGrupowe metody RL (GRPO)
Jak działa
Dla grupy rolloutów tego samego zapytania nagroda jest wyznaczana zbiorczo (porównania/statystyki wewnątrz grupy), a nie osobno dla każdej próbki.
Rozwiązany problem
Nagrody przypisywane pojedynczym próbkom w izolacji słabo różnicują jakość odpowiedzi na to samo zapytanie.