GIST: Gibbs-zielgerichtete hierarchische Datenauswahl für Offline-RLVR
Die Studie schlägt eine Gibbs-zielgerichtete Datenauswahl vor, um die Token-Überwachung beim Offline-Reinforcement-Learning mit verifizierbaren Belohnungen
Die Studie schlägt eine Gibbs-zielgerichtete Datenauswahl vor, um die Token-Überwachung beim Offline-Reinforcement-Learning mit verifizierbaren Belohnungen