7 轮交互失败了该怪谁:奖励归因怎么进 GRPO/GSPO
2026-08-31 · 10 分钟 · 4896 字 · njx
一票还是十票:token-mean 与 sample-mean 在争什么
2026-08-30 · 9 分钟 · 4054 字 · njx
截断的回答该怎么判:DAPO Overlong 在修什么
2026-08-30 · 8 分钟 · 3651 字 · njx
“答错就写长一点”:GRPO 归一化项在扭曲什么
2026-08-29 · 9 分钟 · 4415 字 · njx
一道题采几条回答:GRPO 组大小 G 买来了什么
2026-08-29 · 10 分钟 · 4969 字 · njx
解剖极简 SFT 训练器:每个决策,教科书和框架怎么说
2026-08-28 · 14 分钟 · 6727 字 · njx
同一个模型,两个概率:训练推理不一致的代价
2026-08-27 · 11 分钟 · 5086 字 · njx
比率用错了单位:GSPO 把重要性采样提到序列级
2026-08-26 · 16 分钟 · 8013 字 · njx
熵是怎么塌掉的:DAPO 的 Clip-Higher 在修什么
2026-08-26 · 18 分钟 · 8648 字 · njx