Is it RL or Data? A Controlled Comparison of GRPO and Rejection-Sampling Fine-Tuning

Lakshya Chaudhry

На странице источника доступны аннотация, полный текст или сведения о том, где его прочитать. Препринт может ещё не пройти рецензирование; проверьте, появилась ли журнальная версия.