研究人员开发了一种名为FGPO（Full-Group Policy Optimization）的新方法，以改进基因组工具选择中的强化学习。在工具子集空间可枚举的专业科学环境中，传统的GRPO等方法难以奏效，并且随着训练的进行性能会下降。FGPO通过对每个工具子集进行评分并优化精确的动作期望来解决这个问题，确保每次更新都考虑完整的动作空间。该方法还将奖励预先计算到一个详尽的表格中，消除了在训练期间重复调用冻结推理器的需要。FGPO在多个基准测试中均表现出优于GRPO的性能，显著减少了所需的评估次数和调用的工具数量。 AI
影响 这项研究可能带来更高效、更准确的AI驱动的工具选择，用于复杂的科学推理任务。
排序理由 该集群描述了一篇新的研究论文，详细介绍了在特定科学领域中强化学习的算法改进。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2609.10221v2 Announce Type: new Abstract: Reinforcement learning over a frozen reasoner has become a common recipe for teaching a policy which external tools to invoke. We show that this recipe becomes structurally mismatched in specialist scientific settings where the comp…
Reinforcement learning over a frozen reasoner has become a common recipe for teaching a policy which external tools to invoke. We show that this recipe becomes structurally mismatched in specialist scientific settings where the complete tool-subset space is enumerable. There, a s…