NAPO 方法提升 RLVR 数学推理表现
热点事件持续更新
NAPO 方法提升 RLVR 数学推理表现
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
研究人员 Rui Zhu、Yumou Liu、Zhenzhe Zheng 和 Fan Wu 提出负样本增强策略优化方法 NAPO，用于解决强化学习可验证奖励（RLVR）训练中标准相对策略梯度消失的问题。 NAPO 与 GRPO 结合，通过早期分支驱动因子对未解决组中的负例进行排序并赋予分级优势，在固定 rollout 预算下加速早期解题发现。 实验显示，该方法使 Pass@256 指标在 AIME24 上提升 10.0 分，在 AIME2025 上提升 6.6 分。
AI 根据报道生成 · 52 分钟前更新
最新进展11月3日 13:00
NAPO 诊断与引导 RLVR 中硬提示的“零到一”跳跃报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv · AINAPO 诊断与引导 RLVR 中硬提示的“零到一”跳跃
NAPO 结合 GRPO，通过早期分支驱动因子对未解决组中的负例排序并赋予分级优势，解决标准相对策略梯度消失的问题。 该方法在固定 rollout 预算下加速早期解题发现，使 Pass@256 在 AIME24 上提升 10.0 分，在 AIME2025 上提升 6.6 分。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。