实体
Test-Time Reinforcement Learning
Test-Time Reinforcement Learning
PulseAugur coverage of Test-Time Reinforcement Learning — every cluster mentioning Test-Time 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
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的MS-TTRL方法解决了AI推理任务中的频率冲突
研究人员推出了一种新的测试时强化学习（TTRL）方法MS-TTRL，旨在克服生成多个有效解决方案时固有的频率冲突。这种冲突的产生是因为正确性估计偏向于频繁出现的结果，而多样性保持则偏向于不那么频繁的结果。MS-TTRL通过将正确性估计与生成频率分离来解决这个问题，使用结果级自验证来实现与频率无关的准确性。该系统包含一个三态结果缓存和置信门控逆概率缩放，以增强稀有但可验证的可靠结果的学习信号。
-
新的ERPO方法通过测试时强化学习增强AI代码生成
研究人员开发了一种名为熵正则化秩掩码策略优化（ERPO）的新方法，以改进代码生成任务的测试时强化学习（TTRL）。传统的TTRL依赖于自我投票来获取奖励，这不适用于程序无法通过表面形式进行比较的代码。ERPO通过在从问题陈述派生的探针上执行候选程序来引入探针共识奖励（PCR），从而创建行为训练信号。为了解决PCR的局限性，ERPO使用秩掩码进行保守更新，并使用熵上限来管理策略漂移，从而在代码生成基准测试中取得了显著的改进。