实体
Group Adaptive Clipping Policy Optimization
Group Adaptive Clipping Policy Optimization
PulseAugur coverage of Group Adaptive Clipping Policy Optimization — every cluster mentioning Group Adaptive Clipping Policy Optimization across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的GAPO方法通过调整裁剪边界来改进强化学习
研究人员推出了一种名为Group Adaptive Clipping Policy Optimization (GAPO) 的新方法，旨在通过可验证的奖励来增强强化学习。传统方法使用固定的裁剪边界，这可能不成比例地压制来自困难问题上罕见的正确滚动的宝贵学习信号。GAPO通过根据滚动优势动态调整裁剪边界来解决这个问题，从而为具有更高学习潜力的信号提供更大的更新空间。这种方法与现有的PPO/GSPO代理无缝集成，在Qwen和Llama模型…
-
新的RL方法GAPO在基准测试中提升了Qwen和Llama的性能
研究人员推出了一种名为组自适应裁剪策略优化（GAPO）的新方法，旨在通过可验证的奖励来增强强化学习。GAPO根据推广优势自适应地调整裁剪阈值，确保来自低成功率组的有价值学习信号不会被抑制。该方法源于反向KL信任区域的视角，旨在为具有更强学习信号的推广提供更大的更新空间。在Qwen和Llama模型上进行测试，GAPO在数学推理和编码基准测试中的Pass@1和Pass@k指标上，与传统的固定裁剪方法相比，均显示出了一致的改进。