PulseAugur
中
实时 12:15:00
实体 Diversity-aware Reward Adjustment

Diversity-aware Reward Adjustment

PulseAugur coverage of Diversity-aware Reward Adjustment — every cluster mentioning Diversity-aware Reward Adjustment across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条
  1. TOOL · CL_93596 ·

    新的 DRA-GRPO 方法通过鼓励多样化路径来提升 LLM 数学推理能力

    研究人员推出了一种新颖的 DRA-GRPO 框架，旨在通过解决标准 GRPO 方法中固有的多样性-质量不一致性来增强大型语言模型的数学推理能力。这种新方法使用语义密度和子模互信息来校准奖励信号，以消除梯度估计的偏差，鼓励模型探索更广泛的有效推理策略。在五个数学基准上的实证结果表明，DRA-GRPO 的性能显著优于现有方法，在训练样本数量有限且成本较低的情况下，在 DeepSeek-R1-Distill-Qwen-1.5B 数据集上达到…