Kunwang Zheng

RELAY 方法增强了基于评分标准的强化学习

研究人员开发了 RELAY，一种用于基于评分标准的强化学习的新方法，它改进了现有的 GRPO 技术。RELAY 采用选择性自蒸馏和自适应切换机制，允许一个固定的教师模型指导学习过程，直到检测到平台期。这种方法有效地捕捉了评分标准的详细反馈，而传统方法通常会通过将标准合并为单一奖励而丢失这些反馈。在四个不同场景的评估中，RELAY 的表现始终优于 GRPO，尤其是在使用 Qwen3 模型时，性能有了显著提升。