HMMT26

新的SR-PPO方法通过单次采样改进语言模型的强化学习

研究人员开发了一种名为单次采样近端策略优化（SR-PPO）的新型强化学习技术，以解决训练语言模型的计算成本问题。该方法使用蒙特卡洛评论员从每次提示的单次采样中估计 token 级别的优势，而不是依赖多个可能发散的采样轨迹。评论员预测 Pass@k 成功概率，通过关注具有挑战性的前缀来提供更具选择性的学习信号。SR-PPO 在 HMMT26 和 AIME24 等数学推理基准上展示了稳定的学习和更高的成功率。