Adaptive KL penalty

Определение

Механизм динамической подстройки коэффициента β в PPO для контроля KL-дивергенции между текущей и референтной политикой.

Где встречается

• 332. Как работает KL penalty в RLHF и как подобрать коэффициент

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление