基于强化学习的多模态大模型任务处理方法、装置及设备

本申请提出一种基于强化学习的多模态大模型任务处理方法、装置及设备，采用多模态大模型，对多模态视觉任务数据生成G组响应，并对每组响应进行评分，得到奖励值，由奖励值标准化得到优势分数，以优势分数构建策略更新梯度，通过最大化期望奖励，调整模型参数，多轮迭代后，得到最终结果，其中，期望奖励目标函数包含期望计算项及KL散度约束，这样，采用群体相对策略优化，可通过比较候选策略的表现，来更新当前策略，有助于跳出局部最优；KL散度约束限制了策略更新幅度，防止模型在优化过程中发生剧烈变化，从而提升训练的稳定性；动态策略迭代允许模型在保持稳定性的基础上，根据学习进展，调整探索与利用的平衡，进一步确保策略优化的有效性和稳定性。