登录

训练问题


分类

训练问题

还有一个自然的问题:既然教师模型比学生更强,为什么不直接让教师生成训练问题?
文章

生成器

有了token级别的信号后,A2D将其聚合为问题级别的奖励,并使用GroupRelativePolicyOptimization(GRPO)训练问题生成器。
文章

生成

更有效

虽然上述实验验证了A2D的下游训练效果,但还有一个更根本的问题:为什么这些合成问题比普通训练问题更有效?
文章