English(EN) Improving Reasoning with Rollout Agreement for Group-Based Policy Optimization

新的RoAR方法通过惩罚虚假逻辑来增强LLM推理能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员开发了一种名为RoAR（Rollout-Agreement Reward）的新方法，用于改进使用基于组的策略优化（GRPO）训练的语言模型的推理能力。通过分析正确答案轨迹之间的一致性，RoAR能够识别并惩罚虚假推理，例如内部不一致或滥用问题条件。在五个数学推理基准上的评估中，一个1.5B的GRPO-RoAR模型仅使用7K个训练示例就达到了55.5%的平均pass@1率，比现有的GRPO方法高出5个百分点以上。随后的审计证实，与其他模型相比，RoAR的虚假推理率较低。 AI

影响这项研究介绍了一种提高LLM推理可靠性和有效性的方法，有望在复杂任务中实现更值得信赖的AI系统。

排序理由该集群描述了学术论文中提出的一种新方法和基准测试结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 10 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了学术论文中提出的一种新方法和基准测试结果。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Sohyun Son, Yerim Hong, Jaeyun Park, Mujeen Sung · 2026-10-27 04:00

通过回滚协议改进基于群体的策略优化推理

arXiv:2610.34951v1 Announce Type: cross Abstract: Recent methods for Reinforcement Learning with Verifiable Rewards (RLVR) use rollout diversity to improve reasoning performance or training efficiency. Despite these gains, the extent to which differences among correct-answer roll…

本文如何被排名

报道来源 [1]

通过回滚协议改进基于群体的策略优化推理

相关实体

相关话题