通义千问新算法TAPO比GRPO好用吗？
AI终于学会“反省”了GRPO教AI做题的方式很粗暴：答对奖励、答错惩罚，从来不告诉AI错在哪。就像老师只给分数不给批改，学生永远不知道为什么错。TAPO的做法是：保留AI错误答案中错误点之前的所有正确推理，在错误点插入一段诊断说明（“等等，这一步不对”），然后从那里继续推。相当于让AI自己当自己的老师，从错误中学习。一个是“错了就划掉”，一个是“错了就分析为什么错”。哪种能让模型越学越聪明，不言自明。
发布于 北京
分享
评论
2
未登录
友善发言
评论
加载中
