arXiv · NLP· Zongji Yu, Wenshui Luo, Yiliu Sun, Hao Fang, Hanrui Xu, Runmin Cong, Chaochao Lu, Chen Gong·· 3 天前AI 评分31
多域对比策略优化提升大推理模型跨域能力
Harmony in Diversity: Multi-domain Contrastive Policy Optimization for Large Reasoning Models
AI 导读
论文提出多域对比策略优化(MCPO),通过对比学习解决混合域强化学习中不同领域能力相互冲突的问题。 该方法在关键推理片段定位交互单元,利用互补对比目标实现跨域知识共享与域内巩固。MCPO 比现有方法平均高 3.17 分,并超越单域训练 1.05 分。
来源:arXiv · NLP · arxiv.org