Njx'Log
|
English
文章
报告
归档
搜索
关于
主页
标签
normalization
“答错就写长一点”:GRPO 归一化项在扭曲什么
R1-Zero 的长度与奖励齐涨,可能有一半是优化器的偏好:1/|y| 让答错的回答变长,除以 std 偏向极端难度的题。