UI はローカライズ済みです。スキルの紹介と説明文書は選択した言語へ AI が自動翻訳し、コード・コマンド・パス・専門用語は原文のままです。原作者の文書が優先されます。
スキルを探す
開発・技術 · SKILL.md

grpo-ma-multi-answer-cot-training

grpo-ma-multi-answer-cot-training

Stabilize and accelerate chain-of-thought RL training by sampling multiple answers per generated thought. GRPO-MA reduces gradient noise and improves convergence across math, code, vision, and manipulation tasks while cutting computational cost versus naive thought scaling—critical for training reasoning models without explicit value networks.

Independent GitHub snapshot · Automated classification · Original documentation governs

Aadu2021 / skillxivNOASSERTION

スキルの説明

GitHub
説明を読み込み中…
保存したスキル