Goldilocks RL

新的Goldilocks RL方法可大幅缩短语言模型推理的训练时间

研究人员开发了Goldilocks RL，这是一种新颖的自适应数据选择策略，旨在提高强化学习在语言模型推理任务训练中的效率。该方法利用选择器网络来识别对模型当前能力而言既不太容易也不太困难的问题，从而优化学习过程。在OpenMathReasoning和Polaris数据集上的实验表明，Goldilocks RL可以实现与标准GRPO相当的性能，但优化步骤减少多达78%，显著缩短了训练时间和计算资源。