PulseAugur
中
实时 06:05:05
实体 CISPO

CISPO

PulseAugur coverage of CISPO — every cluster mentioning CISPO across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
4
90 天内 7
发布 · 30天
0
90 天内 0
论文 · 30天
4
90 天内 6
层级分布 · 90 天
主题
关系
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 7 条
  1. TOOL · CL_364124 ·

    Nvidia 详解 Nemotron 3.5 Super 强化学习后训练的收益

    Nvidia 详细介绍了其 Nemotron 3.5 Super 模型在专家构建任务上进行强化学习后训练的性能改进。该模型,特别是其拥有 12B 激活参数 LoRA 适配器的 120B 参数版本,在 IFBench、GDP_pdf、SWE-bench Pro V2 和 Chartography 等多个基准测试中取得了显著的提升。这些改进是通过在专注于软件工程、复杂约束、长时域工具使用、图表理解和企业文档推理的数据集上训练适配器来实现的…

  2. TOOL · CL_299680 ·

    新的近端KL方法提高了Qwen3模型上策略离轨RLVR的准确性

    研究人员开发了近端KL(Proximal KL),一种用于策略离轨可验证奖励强化学习(RLVR)的新颖方法。该技术通过使用Token级重要性加权和有界未来KL信用,解决了异步生成和响应重用等挑战,避免了对全响应权重或拟合评论家的需求。在八个数学基准测试中,与Qwen3-1.7B和Qwen3-4B模型上的GRPO相比,近端KL在微平均准确性方面表现出更高的准确性,优于GRPO高达2.58%。

  3. TOOL · CL_292455 ·

    27B大语言模型被训练用于生成盈利性交易公式

    一篇研究论文详细介绍了开发一个拥有270亿参数的模型 Qwen3.8-27B 的过程,该模型使用多奖励强化学习进行训练,以生成单行交易公式。这些公式随后被转换为美国股票的每日交易投资组合,并在12个奖励通道上进行评估。该系统表现出改进的性能,公式的平均得分从-1.37提高到+1.80,并且一个等权重投资组合在一年未见数据中实现了+16.2%的回报,且市场Beta值较低。

  4. RESEARCH · CL_283782 ·

    LLM强化学习技术提升Qwen3.8-27B分数,但“优势下限”阻碍学习

    研究人员探索了先进的强化学习技术,特别关注大型语言模型的多奖励优化。在他们对Qwen3.8-27B的最新实验中,他们发现结合CISPO和REPO-R等方法可以显著提高在未见过任务上的性能,将分数从-0.47提升到+1.80。然而,他们也发现了一个关键问题,即旨在防止在更严峻环境中学习退化的“优势下限”机制,无意中丢弃了96%的学习信号,从而停止了进展。

  5. RESEARCH · CL_283797 ·

    Qwen3 14B 模型实验比较强化学习技术 · 跟踪 2 个来源

    对 Qwen3 14B 模型进行了实验,以评估各种强化学习技术,包括 GRPO、DAPO++、CISPO、Adapoides 和 REPO-RECK。该研究侧重于比较这些方法是否包含“思考”组件,并展示了完整的留存结果、奖励曲线和资源使用数据。研究还涉及了网络抓取和多账户管理等高风险自动化任务。

  6. SIGNIFICANT · CL_124629 ·

    Mistral AI发布Leanstral 1.5,用于高级形式化验证

    Mistral AI发布了Leanstral 1.5,这是一个开源模型,专为形式化验证任务设计。该模型拥有60亿活跃参数,并以Apache 2.0许可证提供,在解决复杂数学问题和验证真实世界代码方面表现出显著的改进。Leanstral 1.5在证明工程等领域表现出色,并已在软件存储库中发现了一些先前未知的错误。

  7. TOOL · CL_104743 ·

    新的RLVR方法ACPO增强了LLM的推理能力

    研究人员分析了来自可验证奖励的强化学习(RLVR),以了解其对大型语言模型推理的影响。他们的理论分析表明,由每次rollout的梯度步数影响的离策略学习程度,通过影响重要性采样比率和裁剪行为,显著改变了更新动态。基于此,他们提出了自适应裁剪策略优化(ACPO),该方法动态调整裁剪边界。实验表明,ACPO在使用3B和7B模型进行的各种推理任务上优于DAPO和CISPO等现有方法。