English(EN) BoT-GRPO: Efficient Process-Reward RL for Reasoning via Bag-of-Token Aggregation

新的强化学习算法 BoT-GRPO 增强了大型语言模型的推理能力

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强化学习算法 BoT-GRPO，旨在增强大型语言模型的推理能力。该方法是 GRPO 的扩展，通过将令牌级奖励聚合到“令牌包”中并相对于组统计数据计算优势，从而有效地利用令牌级奖励。BoT-GRPO 在没有评论员的情况下运行，使其成为令牌级奖励可用时 GRPO 的直接替代品。实验表明，与现有的 GRPO 变体相比，它在代码生成任务上实现了更高的编译率和更快的收敛速度，并且还提高了数学推理性能。 AI

影响这种新的强化学习算法可以加速大型语言模型的推理，并提高在代码生成和数学问题解决等复杂任务上的性能。

排序理由该集群描述了在 arXiv 论文中提出的一种新算法。[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: 7 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了在 arXiv 论文中提出的一种新算法。[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.LG TIER_1 English(EN) · Yingxiang Yang, Weihang Xiao, Zhunxuan Wang, Joshua Flashner, Niresh Agarwal · 2026-10-08 04:00

BoT-GRPO：通过词袋聚合实现高效的推理过程奖励强化学习

arXiv:2610.09804v1 Announce Type: new Abstract: Reinforcement learning is now central to eliciting reasoning in large language models, while in the popular algorithm Group Relative Policy Optimization (GRPO) every token in a rollout receives the same advantage. We ask how to make…

本文如何被排名

报道来源 [1]

BoT-GRPO：通过词袋聚合实现高效的推理过程奖励强化学习

相关实体

相关话题