我自己之前也尝试过grpo，用llm judge作为打分，但并发数太高跑不起来，想和您交流一下您是怎么做的
感谢关注， 我想的是除了llm as judge可以用一些rule based reward， 比如是不是好事起手， 或者有一些keyword被mention了就+ reward， 不过目前还未实现， 可以交流一下
· Sign up or log in to comment
