arXiv · ML· Mingxiang Shen, Jinhao Li, Jiaming Xu, Yibo Han, Guohao Dai, Yijia Zhang, Ningyi Xu·· 9 天前AI 评分32
TRUER 框架利用有限监督训练奖励修正器,解决测试时强化学习中多数投票可能强化错误解的问题。
TRUER: Test-Time Reward Correction Using an Error-Aware Rectifier for Reinforcement Learning
AI 导读
模型重点训练于多数错误与少数正确案例,在后续适应中修正奖励,所有配置下性能均优于基础 TTRL。
来源:arXiv · ML · arxiv.org