Group Sequence Policy Optimization
PulseAugur coverage of Group Sequence Policy Optimization — every cluster mentioning Group Sequence Policy Optimization across labs, papers, and developer communities, ranked by signal.
-
新的GESE框架增强了LLM标题生成在个性化推荐中的应用
一个名为GESE（生成以探索，选择以利用）的新框架已被开发出来，用于改进个性化推荐的标题生成。该方法将过程分为两个阶段：首先，LLM生成多样化的候选标题集，以覆盖广泛的用户兴趣；其次，选择器根据实时用户信号选择最佳标题。GESE部署在一个拥有超过1亿日活跃用户平台上，与现有方法相比，在点击率和停留时间方面均显示出显著的改进。
-
SEAR系统在多语言语音挑战赛中准确率达90.92%
研究人员为多语言对话语音语言模型（MLC-SLM）挑战赛开发了一个名为SEAR的系统，准确率达到90.92%。该系统通过将ASR转录转换为事件跨度来调整Qwen3-Omni-30B-A3B-Instruct模型，然后利用这些跨度来合成语义和声学选择题。这些选择题使用Qwen3.6-27B生成语义选择题，使用Gemini 3.1 Flash-Lite生成声学选择题，并经过严格的验证步骤确保数据质量。
-
新的S-trace方法提高了RLVR的效率和信用分配
研究人员推出了一种名为选择性合格追踪（S-trace）的新方法，旨在增强大型语言模型在可验证奖励强化学习（RLVR）框架内的推理能力。这种新方法通过超越统一信用分配，解决了现有无批评者算法（如Group Relative Policy Optimization, GRPO）的局限性。S-trace选择性地屏蔽低熵标记，从而实现更高效的学习和细粒度的信用分配，并在Qwen3等模型上展示了卓越的性能和效率。