实体
TTRL
TTRL
PulseAugur coverage of TTRL — every cluster mentioning TTRL 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 2 条
-
EVOL-RL 方法在无标签情况下增强语言模型
研究人员开发了 EVOL-RL，一种无需依赖外部标签即可改进语言模型的新颖方法。该方法解决了“选择诱导多样性崩溃”的问题，即自我选择会缩小模型的响应池。EVOL-RL 通过使用多数投票进行稳定选择和基于嵌入的新颖性来细化信用，同时熵正则化和不对称裁剪有助于维持多样化的推广。实验表明，EVOL-RL 在 AIME24 和 AIME25 数学竞赛等任务上的性能显著提高，优于基线方法。
-
新的DDRL框架减少了数学推理测试时强化学习中的噪声
研究人员发现，用于数学推理的测试时强化学习（TTRL）容易受到模糊伪标签引起的噪声放大。他们观察到，具有中等一致性的响应会产生一个模糊区域，这是奖励噪声的主要来源，而这种噪声会通过群体相对优势估计进一步放大。为了解决这个问题，提出了一种名为“去偏和去噪测试时强化学习”（DDRL）的新框架，该框架使用基于频率的采样来排除模糊样本，并采用去偏优势估计来消除优化偏差。