实体 Hapo

Hapo

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

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

最近 · 第 1/1 页 · 共 1 条

RESEARCH · CL_53799 · May 27 · 04:00

新的RLVR方法通过首个Token多样化和信用分配来增强LLM推理能力

两篇新的研究论文探讨了改进用于训练推理模型的RLVR（带可验证奖励的强化学习）的方法。第一篇论文介绍了REFT（首个Token多样化的Rollout探索），一种通过关注推理标记后的首个Token来使Rollout多样化的技术，从而在各种模型规模和难度级别上提高了性能。第二篇论文提出了HAPO（事后追溯感知策略优化），该方法通过基于奖励极性和Token熵分解Token更新来分析Token更新，表明持续的推理收益集中在高熵象限，并在数学推…