本研究提出了一种名为群体策略梯度（GPG）的简化强化学习方法，旨在提升大语言模型的推理能力。实验结果表明，GPG在多项任务中优于传统方法，并且降低了计算成本。
完成下面两步后，将自动完成登录并继续当前操作。
