PulseAugur
中
实时 10:47:24
实体 Policy-Compatible Reinforcement Learning

Policy-Compatible Reinforcement Learning

PulseAugur coverage of Policy-Compatible Reinforcement Learning — every cluster mentioning Policy-Compatible Reinforcement Learning across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条
  1. TOOL · CL_326975 ·

    新PICO方法增强LLM在复杂问题上的推理能力

    研究人员推出了一种名为策略兼容强化学习（PICO）的新方法，旨在提高大型语言模型在复杂问题上的推理能力。PICO通过执行分布约束的联合解码，解决了现有可验证奖励强化学习（RLVR）的局限性。该方法使用专家数据指导令牌级解码，同时保持学生模型的相对令牌概率并约束采样分布。实验表明，PICO在各种推理数据集和代理基准测试中，始终优于标准的RLVR和其他非策略基线。