multimodal generation

AlphaGRPO 讓多模態模型學會自我修正

AlphaGRPO 把可驗證、可拆解的獎勵訊號加進多模態模型訓練，讓模型能推理、修正輸出，並在不靠 cold-start 的情況下提升生成表現。