论文精读
论文精读：Co-RL——群体互评替代 RLHF：公式、机制与 7+4 基准实测
Co-RL 完整拆解：peer-reward 伪标签公式、环状拓扑多数投票、群体多样性三维度、GRPO 结合；3B 模型 7 基准平均 +8.6%、VLM 4 基准 +7.2%，无标签追平监督，代码开源。
TERM · 强化学习
Co-RL 完整拆解：peer-reward 伪标签公式、环状拓扑多数投票、群体多样性三维度、GRPO 结合；3B 模型 7 基准平均 +8.6%、VLM 4 基准 +7.2%，无标签追平监督，代码开源。