Post-training jazykových modelov: Pohľad na RLVR
Post-training jazykových modelov využíva RLVR na riešenie problémov RLHF. GRPO sa ukazuje ako efektívny algoritmus pre trénovanie, dosahujúci výsledky porovnateľné s OpenAI 01. Kľúčom je overiteľná doména a relatívny výkon simulácií.