研究人员开发了一种新颖的无训练方法,可以从现有的深度奖励模型中提取代币级奖励信号。该方法通过估计单个代币的影响来将其与整体过程奖励相关联,这种影响是通过用语义上为空的代币替换代币时奖励的变化来计算的。通过采用基于梯度的估计器和一阶泰勒近似,该方法仅需要一次前向和后向传播,从而显著提高了计算效率。在推理基准上的实验表明,策略优化和 LLM 推理泛化能力得到了显著提升,在 MathVista 和 AIME24 上的性能也有显著提高。 AI
影响 该技术可以通过在无需额外的奖励模型训练的情况下进行精确的信用分配,从而增强 LLM 的推理能力和策略优化效率。
排序理由 该集群包含一篇学术论文,详细介绍了 LLM 奖励归因的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →