本文通过对比分析，揭示了简单的拒绝采样方法 RAFT 在 LLM-20250417053542

文章预览

2025-04-17 05:35 本条微博链接 本文通过对比分析，揭示了简单的拒绝采样方法 RAFT 在 LLM 数学推理微调中出人意料地逼近复杂强化学习算法 GRPO 的性能，并发现 GRPO 的优势主要源于样本过滤而非奖励归一化，据此提出了同样高效的极简替代算法 Reinforce-Rej，倡导回归简约和审慎的样本选择。 [LG]《A Minimalist Approach ………………………………