研究人员开发了AdaRoll-GRPO,一种用于增强大型语言模型(LLM)的Group Relative Policy Optimization(GRPO)训练的新方法。与分配统一Rollout预算的标准GRPO不同,AdaRoll-GRPO使用贝叶斯自适应马尔可夫决策过程,根据问题难度动态调整预算。这种方法确保更具挑战性的问题得到充分关注,从而在固定的总预算内最大化训练效用。实验表明,AdaRoll-GRPO在各种推理数据集和LLM架构上始终能提高训练性能。 AI
影响 通过优化对挑战性问题的资源分配来提高LLM训练效率。
排序理由 该集群包含一篇详细介绍LLM训练新方法的论文。[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 →