agentscope-ai / agentscope-ai/OpenJudge
是否支持基于偏好对比损失来训练RM
Ouverte
- Langage dominant
- Python
- Étoiles
- 830
- Forks
- 69
- Merge moyen
- 5 j 8 h
- PR mergées (30 j)
- 4
Description
目前的RM偏好训练教程（examples/train/pairwise/run_pairwise.sh）中采用的是 GRPO + PPO 结合的训练方法，是否支持更直接快速的训练方法，例如直接基于偏好对比损失来优化？ 如基于Bradley-Terry loss
Guide de contribution
Aucun guide de contribution indexé pour ce dépôt
Évaluation
Cette issue n'a pas encore été évaluée.