研究人员开发了 RELAY,一种用于基于评分标准的强化学习的新方法,它改进了现有的 GRPO 技术。RELAY 采用选择性自蒸馏和自适应切换机制,允许一个固定的教师模型指导学习过程,直到检测到平台期。这种方法有效地捕捉了评分标准的详细反馈,而传统方法通常会通过将标准合并为单一奖励而丢失这些反馈。在四个不同场景的评估中,RELAY 的表现始终优于 GRPO,尤其是在使用 Qwen3 模型时,性能有了显著提升。 AI
影响 这项研究通过更好地利用基于评分标准的反馈,引入了一种更细致的强化学习方法,有可能提高 AI 代理在复杂评估场景中的性能。
排序理由 该集群包含一篇详细介绍强化学习新方法的学术论文。[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 →