跳到正文
arXiv · ML· Ryan Bahlous-Boldi, Isha Puri, Idan Shenfeld, Akarsh Kumar, Mehul Damani, Sebastian Risi, Omar Khattab, Zhang-Wei Hong, Pulkit Agrawal·· 14 天前AI 评分43

Vector Policy Optimization: 为多样性训练以提升测试时搜索

Vector Policy Optimization: Training for Diversity Improves Test-Time Search

AI 导读

论文提出 Vector Policy Optimization(VPO),一种通过结合多答案提示和集级奖励,显式训练 LLM 生成多样化解决方案的 RL 算法。

来源:arXiv · ML · arxiv.org