arXiv · AI· Haoyu Hu, Xuandong Zhao, Xuhai "Orson'' Xu, Nori Jacoby·· 8 小时前AI 评分41
DUET：联合优化 token 预算分配以提升可验证奖励强化学习效率
DUET: Optimize Token-Budget Allocation for Reinforcement Learning with Verifiable Rewards
AI 导读
论文提出名为 DUET 的方法，通过联合调优提示词分配与 rollout 长度来控制 RLVR 训练的 token 预算。 DUET 基于 GRPO，在 Qwen3-1.7B 的 MATH 训练中实现 1.62 倍实时加速；若仅使用 50% 预算，仍能优于全预算基线，并达成 2.51 倍加速。
来源：arXiv · AI · arxiv.org