字节提出 UP 强化学习新目标

ByteDance-Seed · hf · 2026-07-10

ByteDance-Seed 提出 UP（Unbounded Positive Asymmetric Optimization）目标，用于缓解大语言模型强化学习中的探索与稳定性冲突。该方法旨在在保持训练稳定的同时增强探索能力。