实体 SoftmaxGRPO

SoftmaxGRPO

PulseAugur coverage of SoftmaxGRPO — every cluster mentioning SoftmaxGRPO across labs, papers, and developer communities, ranked by signal.

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

TOOL · CL_193552 · Aug 11 · 04:00

SoftmaxGRPO 增强了复杂提示的强化学习能力

研究人员推出了一种新颖的基于组的强化学习方法 SoftmaxGRPO，旨在改善不同难度提示之间的学习信号分配。与可能对简单提示权重分配不当的现有方法不同，SoftmaxGRPO 使用温度缩放的 softmax advantage 来保持权重有界。该方法已显示出实证改进，将梯度预算从近乎解决的提示中重新分配，并持续优于 GRPO。在评估中，SoftmaxGRPO 在 DeepMath 基准测试上达到了 51.8%，并将指令微调模型在诗歌…