Lampo

新方法通过成对优势估计增强语言模型推理能力

研究人员引入了 LamPO（Lambda Style Policy Optimization）和 LambdaPO，这是用于增强语言模型推理能力的新颖方法。这些方法通过使用成对分解优势，超越了传统的组相对目标，从而更好地捕捉响应质量的细微差别。在 Qwen3 和 Phi-4-mini 等模型上的各种基准测试实验表明，与现有方法相比，性能和训练稳定性均有所提高。