CoRT: Tối ưu hóa chính sách dựa trên tiêu chí đánh giá thông qua tái phát phản thực tế ở cấp độ token

Tóm tắt AI

CoRT giải quyết hạn chế của GRPO bằng cách sử dụng phương pháp tái phát phản thực tế để phân bổ điểm thưởng chính xác cho từng token thay vì toàn bộ câu, giúp mô hình hiểu rõ hơn các tiêu chí đánh giá cụ thể.