PulseAugur
中
实时 10:00:30
实体 Entropy-Regularized Rank-Masked Policy Optimization

Entropy-Regularized Rank-Masked Policy Optimization

PulseAugur coverage of Entropy-Regularized Rank-Masked Policy Optimization — every cluster mentioning Entropy-Regularized Rank-Masked Policy Optimization 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_245430 ·

    新的ERPO方法通过测试时强化学习增强AI代码生成

    研究人员开发了一种名为熵正则化秩掩码策略优化（ERPO）的新方法，以改进代码生成任务的测试时强化学习（TTRL）。传统的TTRL依赖于自我投票来获取奖励，这不适用于程序无法通过表面形式进行比较的代码。ERPO通过在从问题陈述派生的探针上执行候选程序来引入探针共识奖励（PCR），从而创建行为训练信号。为了解决PCR的局限性，ERPO使用秩掩码进行保守更新，并使用熵上限来管理策略漂移，从而在代码生成基准测试中取得了显著的改进。