实体
Reinforcement Learning with Verifiable Rewards (RLVR)
Reinforcement Learning with Verifiable Rewards (RLVR)
PulseAugur coverage of Reinforcement Learning with Verifiable Rewards (RLVR) — every cluster mentioning Reinforcement Learning with Verifiable Rewards (RLVR) 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
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新方法通过恢复近边界信号来稳定LLM推理
研究人员发现，可验证奖励强化学习（RLVR）中存在一个关键瓶颈，阻碍了LLM推理优化。研究指出，标准硬裁剪方法中的僵化裁剪决策是原因，它丢弃了裁剪阈值附近的宝贵信号。为解决此问题，他们提出了近边界随机恢复（NSR）方法，这是一种简单的修改，可以随机保留这些略微超出边界的token，从而提高各种模型大小和架构的训练稳定性和性能。
-
新的K2V框架提升了LLM在知识密集型领域的推理能力
研究人员推出了一种名为知识到验证（K2V）的新框架，旨在提高大型语言模型（LLM）在知识密集型领域的推理能力。K2V通过实现LLM推理过程的可验证性并自动化可验证数据的合成，扩展了具有可验证奖励的强化学习（RLVR）。实验表明，K2V在不影响通用能力的情况下增强了LLM在这些领域的推理能力，表明自动化数据合成与推理验证相结合是更广泛LLM应用的有前途的方法。