跳到正文
arXiv · ML· Yingxiang Yang, Weihang Xiao, Zhunxuan Wang, Joshua Flashner, Niresh Agarwal·· 2026-10-08AI 评分28

BoT-GRPO:通过 Bag-of-Token 聚合实现高效过程奖励强化学习

BoT-GRPO: Efficient Process-Reward RL for Reasoning via Bag-of-Token Aggregation

AI 导读

BoT-GRPO 提出了一种长度不变的 Bag-of-Tokens 聚合方法,扩展 GRPO 以支持 token 级奖励模型,实现无需 critic 的高效过程监督。

来源:arXiv · ML · arxiv.org