Tags

15 个页面

RLHF

GRPO训练排查：策略坍塌 vs 训练崩溃

SFT、RL 与 OPD：从分布视角理解后训练

OPD (On-Policy Distillation)

Qwen2.5-3.7 系列最全总结

CISPO

SAPO

dapo

grpo

ppo

Reinforcing General Reasoning without Verifiers