zxasd1010 发表于 4 天前

腾龙公司游戏网址 xs10159.com


[*]Hint提取：使用PRM模型分析(response，next_state)对，判断是否包含有用的hindsight信息
[*]奖励评分：对智能体的响应进行过程奖励评估（评分：+1, -1, 0）
[*]教师信号生成：当启用Top-K蒸馏时，PRM Server还负责查询教师模型的top-K logits
[*]多投票机制：默认进行3次(PRM_M=3)独立评估，取多数投票结果

页: [1]
查看完整版本: 腾龙公司游戏网址 xs10159.com