PulseAugur
中
实时 12:18:26
实体 GRPO-CARE

GRPO-CARE

PulseAugur coverage of GRPO-CARE — every cluster mentioning GRPO-CARE across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条
  1. TOOL · CL_324833 ·

    新的RoAR方法通过惩罚虚假逻辑来增强LLM推理能力

    研究人员开发了一种名为RoAR(Rollout-Agreement Reward)的新方法,用于改进使用基于组的策略优化(GRPO)训练的语言模型的推理能力。通过分析正确答案轨迹之间的一致性,RoAR能够识别并惩罚虚假推理,例如内部不一致或滥用问题条件。在五个数学推理基准上的评估中,一个1.5B的GRPO-RoAR模型仅使用7K个训练示例就达到了55.5%的平均pass@1率,比现有的GRPO方法高出5个百分点以上。随后的审计证实,与…