GRPO：零依赖版
安爸
发布于
GRPO 训练实现的极简依赖版本。几乎从零开始构建所有组件，仅依赖 tokenizers 进行分词处理，以及 pytorch 完成训练。
参考文献：
[1] http://github.com/policy-gradient/GRPO-Zero
（文：NLP工程化）
扫描二维码，在手机上阅读