写给 LLM 读者的强化学习术语 · @dongxi_nlp · TwKit

@dongxi_nlp

一个分数如何分到每个 token 2025 年 1 月，DeepSeek 发布了 DeepSeek-R1-Zero。它直接在基座模型上做 reinforcement learning（RL，强化学习）训练，中间没有经过监督微调。 它的 reward

曝光 3546 · 评论 1 · 点赞 26 · 书签 32