arXiv · ML· Nghi Dao, Calder Morton-Ferguson, Noah Golowich, Adam Block·· 29 天前AI 评分28
ReAPO: 面向LLM推理高效探索的重试感知策略优化
ReAPO: Retry-Aware Policy Optimization for Efficient Exploration in LLM Reasoning
AI 导读
ReAPO 提出一种基于随机最短路径框架的重试感知策略优化方法,通过为失败轨迹分配额外生成机会,在强化学习验证(RLVR)中提升大语言模型推理效率。该方法在 Qwen3 和 OLMo-2 模型(0.6B 至 4B)上验证,于八项数学与科学推理基准中表现优于 GRPO 及近期基线算法。
来源:arXiv · ML · arxiv.org