Sandwiched Policy Gradient是一種算法。該算法被套用於在dLLM上使用強化學習訓練推理模型。
基本介紹
- 套用：dLLM強化學習訓練推理模型
- 提出時間：2025年
- 提出者：Meta田淵棟團隊
- 類型：算法
算法原理,提出背景,套用,
算法原理
Sandwiched Policy Gradient 被套用於在dLLM上用RL訓練推理模型。
提出背景
在田淵棟團隊的2025年年終總結中，Sandwiched Policy Gradient算法被套用於在dLLM上使用強化學習訓練推理模型。
套用
Sandwiched Policy Gradient已被套用於在dLLM上使用RL訓練推理模型。
