行业与实践 · 标签「SFT」

研究与基准测试/2026-09-30/7 分钟

多一句废话就被判低分：华为云用 GRPO 按结果奖惩，不靠背答案

华为云 AgentArts 的模型优化把模型换进智能体环境，用规则精确匹配或大模型裁判打分，再按 GRPO 做组内对比。客服例子里「故障报修」算高分，多一句解释就算低分。页面写明奖励规则设计不当会奖励作弊。