#deep reasoning のAIニュース

GSPO：言語モデル向けスケーラブル強化学習へ向けて

著者らは、大規模言語モデルの強化学習で既存手法が長期訓練時に崩壊する問題を解決するため、安定なスケーラブル強化学習手法「GSPO」を提案する。