生成式检索的离线REINFORCE长期优化

_reachsumit · x · 2026-07-07

VK使用离线REINFORCE(off-policy REINFORCE)训练自回归生成式检索器,以优化长期会话奖励,并采用学习到的用户反馈模型进行评估,面向大规模生成式检索场景。