研究人员开发了DUET,一种用于优化可验证奖励(RLVR)的强化学习中令牌预算分配的新颖方法。DUET联合调整提示选择和回滚长度,优于之前仅控制一个维度的现有方法。该方法显著提高了推理质量并减少了训练时间,即使仅使用一半的令牌预算。 AI
影响 DUET的令牌预算优化方法可以显著加速LLM训练,并提高各种基准测试中模型的质量。
排序理由 该集群包含一篇详细介绍优化AI训练新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
- GRPO
- Haoyu Hu
- Llama-3.2-3B-Instruct
- Qwen3 14B
- Qwen3-1.7B
- Qwen3-4B
- 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 →