跳到正文
arXiv · ML· Chi Liu, Xin Chen, Yuchuan Weng, Srinivasan Manoharan·· 9 天前AI 评分24

MCPO 方法:基于 Margin-Guided Token Credit 的强化学习策略

Margin-Guided Token Credit for Reinforcement Learning with Verifiable Rewards

AI 导读

研究提出 MCPO 方法,将信用分配至模型犹豫的 token,相比未修改的 GRPO 基线,平均提升 6.55 分(macro avg@32)。 实验使用 MiniCPM5-2B-Base 配合 LoRA 训练,在 DAPO-Math 数据集上验证效果,Qwen3-4B-Base 复现亦显示正向增益。

来源:arXiv · ML · arxiv.org