Unexplored Criteria

新的强化学习方法CriPO增强了大型语言模型的探索和学习信号

研究人员推出了一种名为“标准蒸馏策略优化”（Criterion-Distilled Policy Optimization, CriPO）的新方法，用于增强基于规则的强化学习（RL）在大型语言模型（LLMs）中的应用。CriPO解决了两个关键限制：未探索标准（Unexplored Criteria, UC），即没有一个生成结果满足给定标准；以及被抑制的标准（Suppressed Criteria, SC），即在优化过程中学习信号丢失。…