研究人员推出了一种新颖的强化学习技术SCARL,旨在改进语言模型的推理能力。SCARL通过将策略对响应的置信度与其实际奖励对齐,解决了可验证奖励(RLVR)强化学习中的置信度不对齐问题。该方法旨在确保模型高度自信的响应也获得更高的奖励,反之亦然。实验表明,SCARL在Pass@32等基准测试中提高了性能,并在各种估计器和模型骨干上增强了覆盖率和每抽样准确率,同时还保持了策略熵。 AI
影响 该方法可以提高语言模型在复杂推理任务中的可靠性和准确性。
排序理由 该条目是一篇研究论文,详细介绍了一种用于语言模型强化学习的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- DAPO
- Gotit.pub
- Hugging Face
- IArxiv
- language model
- Pass@32
- Qwen3-4B-Base
- Reinforcement Learning with Verifiable Rewards
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →