研究人员开发了两种新方法 EliteReplay 和 ReFlow，以提高大型语言模型 (LLM) 的强化学习 (RL) 训练后效率和多样性。EliteReplay 将 GRPO 与质量-多样性搜索相结合，以保留更广泛的正确解决方案，在文本到SQL任务的准确性和策略保留方面优于基线。另一方面，ReFlow 专注于系统-算法协同设计，利用经验回放和自适应资源分配，在保持模型在推理和代理任务上的质量的同时，将训练吞吐量显著提高了 2.06 倍。 AI
影响 RL训练后的这些进展可能带来更强大、更多功能的LLM，提高在复杂推理和模糊任务上的性能。
排序理由 两篇介绍LLM训练后新方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.22290v1 Announce Type: new Abstract: Reinforcement learning has become a common post-training technique to improve the accuracy of LLMs on verifiable tasks. However, such training can narrow the set of solutions the model can produce. Several approaches have attempted …
arXiv:2610.21640v1 Announce Type: new Abstract: Reinforcement learning (RL) has been a critical paradigm for improving large language model (LLM) reasoning and agentic capabilities, but its efficiency remains a major bottleneck. Existing RL systems commonly rely on asynchronous e…