GRPO

Tzafon AI 用梯度价值分配训练分支，Agent 训练更省算力

Tzafon AI 提出 EPIG-Tree，用策略梯度（模型从奖励中学习行动方向）的估计价值决定强化学习分支位置，而非只看模型是否犹豫。在多轮游戏 Wordle 中，胜率从 0.790 升至 0.850，但复杂环境中的稳定性仍待验证。