TCPO

新的TCPO方法改进了多轮对话中的LLM推理能力

研究人员推出了一种新颖的TCPO方法，用于大型语言模型在验证器引导下的强化学习中的轮次信用分配。该方法旨在通过关注每一轮对精炼轨迹的影响，而不是仅仅关注输出的即时质量，来改进模型从反馈中学习的方式。实验表明，TCPO在包括数学推理、代码生成和代理任务在内的各种任务上都提高了性能，在Qwen3-4B和DeepSeek-R1-Distill-Llama-8B等模型上，在Pass@8等基准测试中取得了具有竞争力或更优的结果。