RL训练总崩溃？R1-Reward稳定解锁奖励模型Long-Cot推理能力
RL训练总崩溃？R1-Reward稳定解锁奖励模型Long-Cot推理能力多模态奖励模型（MRMs）在提升多模态大语言模型（MLLMs）的表现中起着至关重要的作用，在训练阶段可以提供稳定的 reward，评估阶段可以选择更好的 sample 结果，甚至单独作为 evaluator。
来自主题: AI技术研报
6986 点击 2025-05-12 14:51
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
