一种基于参数微调的策略模型优化方法、装置和电子设备

本说明书提供了一种基于参数微调的策略模型优化方法、装置和电子设备，所述策略模型包括一预训练基模型和至少一参数微调模块，其中所述预训练基模型的参数在训练过程中被冻结；所述方法包括：针对一输入，使用所述策略模型生成一组候选输出；获取每个所述候选输出对应的奖励分数，并根据所述一组候选输出的奖励分数确定组内统计基准；基于每个所述候选输出的奖励分数与所述组内统计基准的比较，为每个所述候选输出确定其相对优势；基于为各个所述候选输出确定的相对优势，通过更新所述参数微调模块的参数以更新所述策略模型。