arXiv · AI· Rui Zhu, Yumou Liu, Zhenzhe Zheng, Fan Wu·· 8 小时前AI 评分29
NAPO 诊断与引导 RLVR 中硬提示的“零到一”跳跃
What Drives the Zero-to-One Jump? Diagnosing and Steering Hard-Prompt Learning in RLVR
AI 导读
NAPO 结合 GRPO，通过早期分支驱动因子对未解决组中的负例排序并赋予分级优势，解决标准相对策略梯度消失的问题。 该方法在固定 rollout 预算下加速早期解题发现，使 Pass@256 在 AIME24 上提升 10.0 分，在 AIME2025 上提升 6.6 分。
来源：arXiv · AI · arxiv.org