面向多模态大语言模型的多分支策略优化
英文标题：Multi-Branch Policy Optimization for Multimodal Large Language Models
该论文提出“多分支策略优化”（Multi-Branch Policy Optimization），用于改进多模态大语言模型的强化学习训练。摘要指出，现有基于群组的强化学习方法通常采用轨迹级信用分配，即对一个回答中的所有 token 赋予同一个优势值。论文认为，这种方式难以适应多模态推理中更复杂、更细粒度的信用分配需求。该研究可能为多模态 Agent、视觉语言推理及相关 API 模型的训练优化提供新的方法方向。
打开原文相关 4 · 机会 0
2.1 KB
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
BibTeX 格式引用
English / 原文
BibTeX formatted citation
×