标签：PPO

← 返回标签

• GPR 论文解读：广告推荐的“生成式一体化”范式，如何用一个模型替代级联系统？

  2026/01/13

  解读 GPR（arXiv:2511.10138v2）：用统一的 U/O/E/I Token 输入与多级语义 ID（RQ-Kmeans+）把广告与内容对齐；用 HHD（HSD+PTD+HTE）做“理解→生成→估值”的层级解码；再用 MTP+VAFT+HEPO（含层级过程奖励与 PPO）完成从预训练到价值对齐与策略优化。