研究人员推出了一种新颖的混合策略优化框架MOER,用于强化学习,该框架整合了专家指导和自我探索。MOER采用衰减的专家思维链前缀来引导模型推理,同时逐步退火前缀长度以促进自我探索。选择性回滚机制通过用专家轨迹替换失败的补全来确保离策略轨迹的正确性。该框架利用了协调的混合策略目标,结合了GRPO损失(用于在策略令牌)和信任区域SFT损失(用于专家前缀和补全),这极大地稳定了训练。实验表明,MOER在数学和通用领域推理任务中表现优越,在各种任务、模型规模和基础模型上均优于现有基线。 AI
影响 这项研究通过改善引导学习和自我探索之间的平衡,有望在推理任务中实现更强大、更具能力的AI模型。
排序理由 该集群描述了一篇关于新AI模型训练框架的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Grpo
- Hugging Face
- IArxiv
- MOER
- ScienceCast
- supervised fine-tuning
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →