研究人员开发了一种名为PAIR（Pairwise-Aware Inclusion Reweighting）的新方法，用于优化可验证奖励强化学习（RLVR）中的计算资源分配。该方法通过考虑不同推理轨迹之间的成对关系，而不是独立处理它们，来解决现有分配器中的统计不匹配问题。PAIR将这些关系建模为一个对比图，并使用仅前缀预测器来估计正确性和成本，与之前在Qwen3模型上的方法相比，提高了准确性并显著减少了生成的token数量。 AI
影响 这种新方法可以显著降低训练高级RL模型的计算成本，从而可能加速需要复杂推理的领域的研究和开发。
排序理由 该集群包含一篇研究论文，详细介绍了优化RLVR计算分配的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
