一篇新研究论文介绍了一种名为SIGNBALANCE的方法,旨在解决强化学习中Group Relative Policy Optimization (GRPO)的“虚假优势”问题。该问题导致GRPO错误地奖励猜测行为,尤其是在具有有限答案集或搜索代理的任务中。SIGNBALANCE旨在通过使用保留验证器符号的无组合幅度、采用全局尺度以及使用stop-gradient重新平衡每个类别来缓解这一问题。在数学和搜索代理基准测试上的实验表明,SIGNBALANCE在开放式数学任务上与GRPO相当,同时提高了在有限答案数学和搜索代理上的性能。 AI
影响 解决了强化学习算法中的一个缺陷,可能提高特定类型任务中代理的性能。
排序理由 详细介绍强化学习新方法的学术论文。[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 →