#2387·slime[问题] 适应性奖励 KL 控制器是否适合 Slime 的 PPO/RLHF 范围?作者: hkxxxxx创建于 2026年9月15日更新于 2026年9月15日标签question我的问题 内容来源: THUDM/slime查看 GitHub 原文在 GitHub 查看讨论