Open
Description
文中给出了强化学习部分的伪代码，但从里面看不出这里的一个step是一轮对话里面的一次问答，还是一次问答中输出的前后两个token。由于源码没有公开，虽然倾向于前者但仍不能肯定。烦请解答，谢谢！
Metadata
Metadata
Assignees
Labels
No labels
{{ message }}
No one assigned
No labels
No type
No projects
No milestone
None yet
No branches or pull requests