EVOL-RL

EVOL-RL 方法在无标签情况下增强语言模型

研究人员开发了 EVOL-RL，一种无需依赖外部标签即可改进语言模型的新颖方法。该方法解决了“选择诱导多样性崩溃”的问题，即自我选择会缩小模型的响应池。EVOL-RL 通过使用多数投票进行稳定选择和基于嵌入的新颖性来细化信用，同时熵正则化和不对称裁剪有助于维持多样化的推广。实验表明，EVOL-RL 在 AIME24 和 AIME25 数学竞赛等任务上的性能显著提高，优于基线方法。