arXiv · AI· Hao Wu, Wei Liu, Shizhe Xiang, Jinwen Luo, Yeshani, Jin Ma·· 6 小时前AI 评分29
Group Contrastive Policy Optimization (GCPO)：超越自我探索极限的强化学习算法
Group Contrastive Policy Optimization: Learning Beyond the Self-Exploration Limit with Golden Answers
AI 导读
GCPO 提出一种混合目标，通过在采样全零奖励时启用近端对比目标，利用离线黄金推理轨迹提供可靠正参考，解决 RLVR 中信号丢失问题。 该方法在两个模型规模及 10 项核心数学推理基准上验证，相比竞争性的监督和 RLVR 基线，显著提升了训练效率和最终推理性能。
来源：arXiv · AI · arxiv.org