ERPO：把正则化移到输入侧，破解 LLM 策略优化的稳定性-探索困境
Beyond the Stability-Exploration Dilemma: Environmental Regularization for LLM Policy Optimization
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
研究者提出 Environment-Regularized Policy Optimization（ERPO），用 Query-KL（QKL）项约束训练查询分布漂移，替代动作侧的 Policy-KL 正则化，从而保留响应侧的探索空间。
来源：Hugging Face Daily Papers · arxiv.org