Hugging Face integró en su biblioteca TRL (Transformer Reinforcement Learning) el algoritmo Group Relative Policy Optimization (GRPO), la técnica matemática de aprendizaje reforzado que prescinde de un modelo crítico de valor para entrenar capacidades de razonamiento paso a paso con la mitad de VRAM.
La noticia en una frase
Hugging Face incorporó GRPO en TRL, permitiendo a la comunidad abierta entrenar modelos de razonamiento matemático y lógico mediante recompensas relativas sin duplicar el consumo de memoria.
