PulseAugur
中
实时 22:11:06
实体 OPD-then-RL

OPD-then-RL

PulseAugur coverage of OPD-then-RL — every cluster mentioning OPD-then-RL across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
0
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 1
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 1 条
  1. RESEARCH · CL_235470 ·

    新研究论文详细介绍了用于增强LLM推理能力的OPD-then-RL方法

    一篇新研究论文提出了一个名为OPD-then-RL的两阶段方法,用于提高大型语言模型的推理能力。该方法结合了On-Policy Distillation (OPD) 和 Reinforcement Learning with Verifiable Rewards (RLVR),首先使用OPD进行广泛覆盖,然后应用RLVR进行精炼。实验表明,这种顺序策略在逻辑和数学推理基准测试中优于联合优化方法。