模型强化学习方法、装置和设备

本说明书实施例提供一种模型强化学习方法、装置和设备。方案包括：在采样阶段使用推理引擎采用待训练的目标模型在第一策略参数下针对输入序列生成输出序列并记录输出序列中各词元的第一概率值，并计算各词元的优势值，在训练阶段当使用训练引擎前向传播获得目标模型在第一策略参数下生成的各词元的第二概率值后，可以计算各词元的第二概率值与第一概率值的第一比率，进而筛选出第一比率处于预设数值范围内的词元参与目标函数的计算，进而优化目标函数以实现对目标模型的参数的更新。