Thinking Seeds：基于历史推理状态重启On-Policy RL

1. 12:00
   arXiv · NLP

   Thinking Seeds：基于模型自身历史推理状态重启 On-Policy RL 的训练方法

   Thinking Seeds 提出利用历史 rollout 作为起始状态重启 On-Policy RL，以解决早期策略状态随训练消失导致的分布不匹配问题。 在代码生成任务中，仅将前缀作为状态使用的方法达到 52.19 分，优于包含前缀动作训练的 50.20 分及 On-Policy 训练的 48.58 分。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。