跳到正文
arXiv · ML· Aryan Das, Arnab Bhattacharya, Vinay Kumar Verma·· 2026-10-15AI 评分34

Function-Space Policy Optimization (FSPO) 提升 RLVR 推理性能

Function-Space Temporal Self-Distillation for Policy Optimization

AI 导读

新框架 FSPO 结合特权适应与函数空间时间整合,在 5 小时训练预算下取得最高平均准确率。 相比最强基线平均提升约 4%,并将 Olmo3-7B-Instruct 峰值内存从约 70 GB 降至 56 GB。

来源:arXiv · ML · arxiv.org