清华大学自然语言处理实验室提出了一项关键性技术 —— 基于参考概率奖励的强化学习（Reinforcement Learning with Reference Probability Reward，RLPR）。这项技术通过 Prob-to-Reward 方法显著提高了概率奖励（Probability-based Reward, PR）的质量，相比基于似然度的基线方法取得了明显更佳的性能优势和训练稳定性。 http://t.cn/A6DITGF8