实体
Rubric-based reinforcement learning
Rubric-based reinforcement learning
PulseAugur coverage of Rubric-based reinforcement learning — every cluster mentioning Rubric-based reinforcement learning 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
最近 · 第 1/1 页 · 共 2 条
-
HarnessRL框架增强开放式强化学习
研究人员开发了HarnessRL,一个新颖的框架,旨在通过与策略共同演进训练挂架来改进开放式强化学习。该方法通过在策略演进过程中自适应地调整任务采样、探索和评估,来解决奖励失败模式,例如非区分性或虚假奖励。HarnessRL利用记忆系统和即时评论员循环来优化更新,并在新的Rubric-Mix-10k基准套件上展示了显著的性能提升,优于基线并缩短了训练时间。
-
新的两阶段训练方法使用评分标准来提升语言模型性能
研究人员提出了一种新颖的两阶段语言模型训练框架,该框架利用评分标准来提高在缺乏精确结果验证的任务上的性能。第一阶段,即评分标准优先的策略内蒸馏(RP-OPD),使用评分标准作为特权教师上下文进行密集的token级监督。第二阶段则采用强化学习(RL)来优化评分标准奖励,将性能推升至初始蒸馏平台之上。该方法在健康和科学任务上使用开源模型进行了评估,在HealthBench、ResearchQA和RubricHub Science等基准测试…