实体
GCPO
GCPO
PulseAugur coverage of GCPO — every cluster mentioning GCPO across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
时间线
- 2026-05-22 research_milestone Researchers proposed the Geometric-aware Calibrated Policy Optimization (GCPO) framework to improve LLM post-training. 来源
最近 · 第 1/1 页 · 共 3 条
-
新 GCPO 方法增强 LLM 训练稳定性和性能
研究人员推出了一种名为 GCPO（Geometrically Constrained Policy Optimization，几何约束策略优化）的新方法，旨在通过在线滚动方法改进大型语言模型（LLM）在训练后阶段的稳定性和性能。该技术通过将策略更新约束在特定的子空间内，防止性能下降的偏差，从而解决了训练不稳定性以及能力退化等问题。在 Qwen3-8B 和 GLM4-9B 模型上的实验表明，GCPO 的表现优于 GRPO 和 DAPO …
-
新研究推进机器人和LLM的策略优化
研究人员引入了几种新方法来增强强化学习中的策略优化，特别是针对涉及机器人和大型语言模型（LLM）的复杂任务。MODIP旨在通过使用世界模型来指导适应，从而高效地微调机器人学习中的扩散策略，与标准的模仿学习相比，提高了稳定性和性能。N-GRPO和T2-GRPO分别侧重于通过采用新颖的嵌入层混合和多视域奖励策略来改进LLM在数学推理和护理代理等任务中的探索和奖励分配。此外，CATPO和GenPO++通过改进基于树的方法和生成策略来提高训练…
-
新的GCPO框架通过几何感知不确定性改进LLM的后训练
研究人员开发了一个名为几何感知校准策略优化（GCPO）的新框架，以改进大型语言模型的后训练方法。目前使用语义熵作为不确定性信号的方法在优化中的影响不稳定且不明确。GCPO通过整合几何感知度量和基于奖励的校准来解决这个问题，以更好地捕捉语义分歧并将不确定性与学习信号强度对齐。实验表明，GCPO能更准确地跟踪梯度变化，并持续提升后训练性能。