ocknamo（早く寝ろ） 🛡️ 1 year ago そんなにすごいのか どこから見てもメンダコLLMチューニングのための強化学習①：GRPO（Group Relative Policy Optimization） - どこから見てもメンダコDeepSeek-R1にも採用されたLLMチューニングのための強化学習手法 GRPO（Group Relative Policy Optimization）について考え...
