OraRL：面向视频 MLLM 的高效可扩展强化学习后训练方法
Annotations as Rollouts: Efficient and Scalable Reinforcement Learning for Video MLLMs
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 OraRL，将标注作为 oracle rollout 直接纳入 on-policy 组，并用解耦优势估计器解决由此产生的 advantage inversion 问题。
来源：Hugging Face Daily Papers · arxiv.org