GRPOTRAINER

LIBRARY

DeepSeek GRPO Trainer简明教程

GRPO 是一种在线学习算法，这意味着它通过在训练期间使用训练模型本身生成的数据来迭代改进。GRPO 目标背后的直觉是最大化生成的完成的优势，同时确保模型接近参考策略。