研究人员开发了一种名为边际信用策略优化(MCPO)的新方法,用于具有可验证奖励的强化学习。与将奖励平均分配给解决方案中所有代币的现有方法不同,MCPO识别并奖励模型犹豫的代币,通过前两个下一个代币预测之间的边际来衡量。该方法在MiniCPM5-2B-Base和Qwen3-4B-Base模型上进行了测试,与标准的GRPO相比,在之前的解题不一致的问题上,在竞赛数学基准测试中表现出显著的性能提升。 AI
影响 这项研究可能导致在需要可验证推理和奖励分配的任务中,AI模型更高效、更准确。
排序理由 该集群包含一篇详细介绍强化学习新方法的学术论文。[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 →