研究人员开发了一种名为最小前缀比率(MinPRO)的新目标函数,用于稳定大型语言模型(LLM)的离策略强化学习。现有使用token级别重要性比率的方法在采样策略和目标策略之间存在显著延迟时,在训练稳定性方面存在困难。MinPRO通过使用基于前缀内最小token级别比率的代理来解决这个问题,证明了其在密集和混合专家LLM的数学推理基准测试中具有更高的稳定性和性能。 AI
影响 这项研究可能带来更稳定、更高效的LLM训练,以应对复杂的推理任务。
排序理由 该集群包含一篇详细介绍LLM优化新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- CatalyzeX
- DagsHub
- Hugging Face
- large language models (LLMs)
- Minimum Prefix Ratio (MinPRO)
- reinforcement learning
- Shiye Lei
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →