李飞飞/DeepSeek前员工领衔,复现R1强化学习框架,训练Agent在行动中深度思考
新强化学习框架RAGEN由DeepSeek前员工与斯坦福李飞飞团队共同开发,专注于解决多轮强化学习中训练崩溃问题。研究揭示了三大难点:回声陷阱、数据质量不足及推理动机缺乏,并提出基于StarPO的轨迹级优化方法。论文总结六大发现,涵盖模型崩溃动态及奖励设计重要性。此外,同团队还发布了多模态Agent训练框架VAGEN,两者代码均已开源。来源:https://mp.weixin.qq.com/s/VSKrpqLldrPWY0DA3K4xmA
页:
[1]