实体
IPS-GRPO
IPS-GRPO
PulseAugur coverage of IPS-GRPO — every cluster mentioning IPS-GRPO across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的MS-TTRL方法解决了AI推理任务中的频率冲突
研究人员推出了一种新的测试时强化学习（TTRL）方法MS-TTRL，旨在克服生成多个有效解决方案时固有的频率冲突。这种冲突的产生是因为正确性估计偏向于频繁出现的结果，而多样性保持则偏向于不那么频繁的结果。MS-TTRL通过将正确性估计与生成频率分离来解决这个问题，使用结果级自验证来实现与频率无关的准确性。该系统包含一个三态结果缓存和置信门控逆概率缩放，以增强稀有但可验证的可靠结果的学习信号。
-
新的逆概率缩放方法解决了强化学习中的模式崩溃问题
一篇新研究论文提出了一种称为逆概率缩放（IPS）的方法来解决强化学习（RL）中的结果级模式崩溃问题。该论文认为，标准的预期回报最大化目标固有地会导致策略崩溃到有限的结果集上，而与探索策略或正则化无关。IPS旨在通过从学习信号中消除结果频率放大来纠正这一点，这在理论上确保了更广泛的高质量结果分布。研究人员将其实现为IPS-GRPO，这是对Group Relative Policy Optimization的修改，并证明了其在减少推理和分…