GLM5.2 PPO论文披露训练细节

TheZachMueller · x · 2026-07-09

这条转发提到一篇关于 GLM 5.2 所用 PPO 算法的新论文，作者认为此前对 PPO 的热度可能被高估。帖子还指出该方案需要更长的训练步数、更高的 trainer 显存，以及在 RL 前先训练 value model。