字节提出CoRT优化大模型强化学习信用分配

字节跳动提出CoRT（反事实重放）方法，旨在优化基于评分规则的GRPO强化学习流程。传统大模型强化学习中，结构化的评分反馈通常被压缩为单一的响应级优势，并均匀广播给所有Token，导致细粒度的信用分配存在痛点。CoRT方法有效解决了这一Token级信用分配难题，显著提升了模型优化的精准度与效率。

2026-07-30 ~ 2026-07-31 · 2 条相关

• 字节CoRT：优化GRPO的Token级信用分配 — ByteDance · 2026-07-30
• CoRT：通过反事实重放优化大模型细粒度信用分配 — _akhaliq · 2026-07-31