Nathan Lambert 评分数中心化RL论文的重要性采样对比表

Nathan Lambert 称，他在阅读一篇分数中心化强化学习论文时，发现附录中有一张表格，对比了强化学习中应对训练-推理不匹配的多种基于重要性采样的方法。他打算把这张表的内容加入自己的书里做笔记。 Lambert 表示，自 GRPO 流行以来，这类方法一直是 RL 算法研究的最大焦点之一。上述内容来自他个人对论文表格的阅读和评价，报道未给出表格中的具体方法或对比结果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。