arXiv · ML· Changyi Xiao, Mengdi Zhang, Yixin Cao·· 11 天前AI 评分25
BNPO:Beta 归一化策略优化
BNPO: Beta Normalization Policy Optimization
AI 导读
研究人员提出 BNPO 方法,通过动态更新的 Beta 分布自适应归一化奖励,解决现有策略优化中静态归一化不匹配导致训练不稳定的问题。 该方法理论证明在二元奖励下降低了方差并泛化 REINFORCE 与 GRPO,实验显示 BNPO 在推理任务中取得最先进性能。
来源:arXiv · ML · arxiv.org