85
Nghiên cứu
SAF-OPD: Phương pháp kết hợp ưu thế ổn định cho chưng cất mô hình học tăng cường
(giờ Việt Nam)
Tóm tắt AI
SAF-OPD giải quyết vấn đề mất cân bằng giữa phần thưởng RLVR và chưng cất chính sách (OPD) bằng cách tinh chỉnh ưu thế token, giúp mô hình học tập hiệu quả hơn mà không bị giới hạn bởi giáo viên.
Bản dịch AI
Xem PDF HTML (thử nghiệm)
DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký)
Lịch sử gửi bài
Từ: Yifan Ding [xem email] [v1] Thứ Sáu, 31 tháng 7 năm 2026 09:28:16 UTC (1.317 KB)
Bài viết được AI dịch và tổng hợp tự động từ Hugging Face Daily Papers. Liên kết bài gốc ở phía trên. AIHOT.vn luôn dẫn nguồn đầy đủ — nếu bạn thấy điểm cần chỉnh sửa, hãy gửi ý kiến tại trang phản hồi.