arXiv · AI· Sining Zhoubian, Dan Zhang, Jie Tang·· 3 天前AI 评分38
ReST-RL:通过统一自训练与价值引导搜索增强 LLM 推理能力
ReST-RL: Reinforcing LLM Reasoning through Unified Self-Training and Value-Guided Search
AI 导读
ReST-RL 框架通过优化 ReST-GRPO 和 VM-MCTS 提升 LLM 推理准确性,在 APPS 和 HumanEval 等基准上超越 GRPO 和 PRM-BoN 基线。 该方法利用自采集数据训练价值模型进行解码优化,无需针对目标领域微调即可在数学和科学任务中实现性能提升。
来源:arXiv · AI · arxiv.org