研究发现自适应解码调度可提升RLVR训练采样效率

2026年10月20日，arXiv发布的ML领域一手研究发现，强化学习（RLVR）训练中的自适应解码调度能提升采样效率。该研究证实，动态扩大候选token支持范围优于固定策略。在4B代码RLVR场景中，该调度策略在150M token验证集上的插值分数平均比固定K=10策略高1.80±0.42分，且表现与最强的固定K=20基线相当。研究指出，rollout支持范围是强化学习中采样效率的重要控制变量，相关实证结果可为自适应调度设计提供依据。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。