English(EN) CERO: Where and When to Allocate Rollouts for RL Post-Training

新的CERO调度器优化RL后训练推出预算

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

研究人员推出了一种新颖的在线对偶规划调度器CERO，旨在优化强化学习（RL）后训练的推出预算分配。与固定每次更新预算的传统方法不同，CERO通过调整提示选择、重访频率和组生成，在整个训练过程中协调有限的预算。该方法利用紧凑的Fenchel表示和投影在线梯度下降，在数学推理基准上的表现优于固定速率和时变基准。 AI

影响优化强化学习的资源分配，可能提高复杂推理任务的训练效率和性能。

排序理由这是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 arXiv cs.LG 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: 8 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是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]
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, infra; 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.LG TIER_1 English(EN) · Yiming Zong, Yige Wang, Xing Hu, Jiashuo Jiang, Zuo-Jun Max Shen · 2026-10-08 04:00

CERO：在哪里以及何时为 RL 后训练分配部署

arXiv:2610.09679v1 Announce Type: new Abstract: Adaptive rollout methods for group-relative reinforcement learning typically allocate a fixed per-update budget across prompts. We instead study how to coordinate a finite rollout budget over the entire training horizon. We formulat…

本文如何被排名

报道来源 [1]

CERO：在哪里以及何时为 RL 后训练分配部署

相关实体

相关话题