研究人员推出了一种名为组自适应裁剪策略优化(GAPO)的新方法,旨在通过可验证的奖励来增强强化学习。GAPO根据推广优势自适应地调整裁剪阈值,确保来自低成功率组的有价值学习信号不会被抑制。该方法源于反向KL信任区域的视角,旨在为具有更强学习信号的推广提供更大的更新空间。在Qwen和Llama模型上进行测试,GAPO在数学推理和编码基准测试中的Pass@1和Pass@k指标上,与传统的固定裁剪方法相比,均显示出了一致的改进。 AI
影响 增强了强化学习技术,可能提高了AI模型在复杂推理和编码任务上的性能。
排序理由 该集群包含一篇详细介绍强化学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- Group Adaptive Clipping Policy Optimization
- Llama
- Pass@1
- Pass@k
- Proximal Policy Optimization
- Qwen
- reinforcement learning
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →