arXiv · AI· Ilia Mahrooghi, Aryo Lotfi, Emmanuel Abbe·· 2026-10-05AI 评分33
Goldilocks RL:通过调节任务难度应对稀疏奖励以增强推理能力
Goldilocks RL: Tuning Task Difficulty to Escape Sparse Rewards for Reasoning
AI 导读
研究团队提出自适应数据选择策略 Goldilocks,利用 Selector 网络预测模型在候选问题上的奖励标准差。该方法优先选择难度适中的问题(既不太易也不太难),并结合 GRPO 进行模型训练。在 OpenMathReasoning 和 Polaris 数据集上,Goldilocks 相比标准 GRPO 提升了性能,达到同等性能所需的优化步骤最多减少 78%。
来源:arXiv · AI · arxiv.org