PulseAugur
中
实时 11:08:56
实体 zero-reward collapse

zero-reward collapse

PulseAugur coverage of zero-reward collapse — every cluster mentioning zero-reward collapse across labs, papers, and developer communities, ranked by signal.

Show in brief
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
  1. TOOL · CL_294361 ·

    MENTOR框架通过实时教学干预解决LLM训练失败问题

    研究人员推出了一种新颖的多智能体框架MENTOR，旨在解决大型推理模型中来自可验证奖励的强化学习（RLVR）的“零奖励崩溃”问题。与丢弃失败的训练轨迹或使用静态干预的现有方法不同，MENTOR充当一个实时的、按策略的教学导师。它实时诊断失败并生成有针对性的提示来指导学习代理，无缝集成到现有的优化流程中。实验表明，MENTOR在缓解崩溃和显著提高性能方面是有效的，在Llama-3.2-3B-Instruct上相对提高了78.3%。