Trajectory分享持续学习后训练算法实践

摘要与判断

Trajectory团队在 aiDotEngineer World Fair 的持续学习赛道分享了后训练实践，指出将真实世界使用转化为模型改进，需要面向非可验证、按令牌计的奖励重新设计强化学习算法；团队还介绍了 GRPO 不足、转向在线策略训练并处理由此产生的问题。该分享为持续学习中的数据与训练流程设计提供了具体思路，但目前属于研究经验交流，影响主要集中在相关技术受众。

Topics

引用和原文

• Trajectory have generally impressed me with their tasteful execution on ambitious goals. o
• 原文链接

Trace

Raw Item

raw_379e63cebf1740b7

Processed Item

processed_26dfc9c027b54e94

Source

source_x_swyx

Cluster

查看所属簇

LLM Logs

llm_4dbb9172c2f24b82, llm_47ceb137baf04874, llm_b56f58a87ffa4729

Coze Loop

569a91be26888d5847bbe9dbe8b5b3d9