研究人员开发了一种名为Bellman-Consistent Trajectory RL的新强化学习(RL)方法,以提高LLM的算术推理能力,尤其是在处理稀疏奖励时。该框架使用Trajectory Bellman Residual Minimization (TBRM) 将稀疏奖励转换为密集的、token级别的信号。通过整合Reinforce Leave-One-Out (RLOO) 以减少梯度方差,以及目标重标记以加速学习,TBRM-RLOO方法显著提高了算术任务的性能。该方法在Countdown任务上取得了最先进的结果,将Pass@1准确率提高到0.55-0.64,Pass@16准确率提高到76.0-84.0%,优于现有基线,并展示了高单样本效率。 AI
影响 增强了LLM在复杂推理任务中的能力,可能提高需要数学问题解决能力的领域的性能。
排序理由 关于LLM算术推理新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Bellman-Consistent Trajectory RL
- Countdown task
- Direct Preference Optimization
- GRPO
- Hugging Face
- LLM Arithmetic Reasoning
- Reinforce Leave-One-Out
- supervised fine-tuning
- TBRM-RLOO
- Trajectory Bellman Residual Minimization
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →