实体
Ripon
Ripon
PulseAugur coverage of Ripon — every cluster mentioning Ripon 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
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的强化学习框架推动大语言模型推理和效率 · 跟踪 7 个来源
研究人员引入了几种新的框架和技术，以推进大语言模型 (LLM) 的强化学习 (RL)。广义近端策略优化 (GPPO) 在基于散度的理论下统一了现有的 LLM RL 算法，在数学和编码基准测试上取得了最先进的性能。其他进展包括无循环方差缩减策略梯度 (LVR-PG)，它为策略梯度方法提供了最小-最大最优样本复杂度，以及轨迹感知策略优化 (TAPO)，旨在缩小长时域 LLM RL 中的状态分布差距。此外，跨行为策略优化 (CBPO) 统一…
-
新的RIPO方法克服了LLM强化学习中的探索崩溃
一篇新研究论文介绍了一种名为黎曼等距策略优化（RIPO）的新方法，用于解决大型语言模型（LLM）强化学习中的探索崩溃问题。该论文指出了现有PPO-Clip算法的一个根本性缺陷，即错误地使用了欧几里得度量而非策略黎曼流形的内在几何结构。这种不匹配会导致次优更新和探索失败。RIPO通过确保等距策略更新、平衡探索与利用来纠正这一点，并在七个基准测试中展示了比现有方法显著的改进，包括在AIME24上获得了60%的提升。