红杉播客讨论 Trajectory 以 GRPO 变体降低智能体持续学习成本

红杉 Training Data 播客中，Trajectory 联合创始人 Ronak Malde 介绍了降低智能体持续学习成本的两项方向，包括从单次真实 rollout 学习的 Group Size-1 版 GRPO，以及可把 100 条代表性轨迹评分传播到 10,000 条轨迹的 meta-grader。