研究人员推出了一种新颖的分阶段程序 TREK（Teacher-Routed Exploration via Forward KL），旨在增强 AI 模型在处理复杂提示时的推理能力。TREK 利用蒸馏，但并非为了直接模仿，而是为了扩展模型的探索支持。该方法可以利用外部或内部教师，并有效地识别有价值的硬提示样本进行整合。在应用于数学推理任务时，TREK 提升了 Qwen3 模型在 AIME 2024 和 AIME 2025 基准测试上的表现；在代理任务上，它显著提高了 ALFWorld 和 ScienceWorld 的成功率。 AI
影响 通过改进探索和精炼策略，增强了 AI 模型在复杂推理任务上的性能。
排序理由 该集群是关于一篇 arXiv 学术论文中描述的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.05339v1 Announce Type: cross Abstract: Group Relative Policy Optimization (GRPO) is effective when the current policy already samples useful reasoning trajectories, but it stalls on hard prompts whose correct solution modes lie outside the student's on-policy support. …
Group Relative Policy Optimization (GRPO) is effective when the current policy already samples useful reasoning trajectories, but it stalls on hard prompts whose correct solution modes lie outside the student's on-policy support. We propose TREK (Teacher-Routed Exploration via Fo…