新的ExpDis框架通过解耦探索与优化来增强语言模型训练

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-08 04:00

研究人员开发了一个名为探索-蒸馏（ExpDis）的新框架，以改进使用具有可验证奖励的强化学习（RLVR）训练语言模型。该方法将新颖想法的探索与优化过程解耦，从而允许更积极的探索而不损害模型的整体质量。ExpDis使用新颖性奖励来训练探索者策略，过滤其输出的正确性，然后将这些知识蒸馏到一个单独的学生策略中。与DAPO++等现有方法相比，这种迭代过程在多个数学推理基准测试中表现出优越的性能，表明ExpDis能够生成更多样化且正确的解决方案。 AI

影响这种新的训练框架可能带来能够生成更多样化和准确解决方案的语言模型，从而有可能提高复杂推理任务的性能。

排序理由该集群包含一篇详细介绍语言模型训练新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 7 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍语言模型训练新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Saif Punjwani, Micah Goldblum · 2026-10-08 04:00

RLVR 中探索与优化的解耦

arXiv:2610.10536v1 Announce Type: cross Abstract: Modern language models undergo reinforcement learning with verifiable rewards (RLVR) on top of already-trained checkpoints. A key promise of RLVR is the discovery of new reasoning strategies. In principle, a model can sample novel…

本文如何被排名

报道来源 [1]

RLVR 中探索与优化的解耦

相关实体

相关话题