Skip to main content

drpo-llm-rl

Divergence Regularized Policy Optimization (DRPO) — smooth advantage-weighted quadratic regularizer replacing hard trust-region masks in LLM reinforcement learning. Use when optimizing LLM post-training with RL, improving upon GRPO/PPO/DPPO stability.

インストールへ移動

ソース情報

リポジトリ
hiyenwong/ai_collection
ソースの最終更新活動
2026年7月13日 02:00
検出された SKILL.md の言語
英語
スター
2
フォーク
0

インストール方法

デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。

ソースファイルを確認

インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。