arXiv preprint / 奖励驱动进化

Unsupervised Post-Training for Multi-Modal LLM Reasoning via GRPO

作者：作者信息待提取 · 会议/期刊：arXiv preprint · 方向：奖励驱动进化 · 发布日期：日期待提取

自我进化智能体奖励驱动进化大语言模型智能体模型自进化奖励学习
新标签打开 AlphaXiv
Unsupervised Post-Training for Multi-Modal LLM Reasoning via GRPO figure
AlphaXiv 中文概览（可滚动查看）