arXiv发布GCPO强化学习优化算法论文
热点事件持续更新
arXiv发布GCPO强化学习优化算法论文
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
arXiv平台最新收录了由Hao Wu等人发布的论文，正式提出Group Contrastive Policy Optimization (GCPO)强化学习优化算法。该研究背景基于可验证奖励的强化学习（RLVR）已成为提升大语言模型推理能力的重要范式，团队致力于解决该领域中面临的信号丢失等挑战。算法核心创新在于构建混合目标机制，在采样全零奖励导致探索完全失败时启用近端对比目标，利用离线黄金推理轨迹提供可靠正参考。研究在两个模型规模及10项核心数学推理基准上完成验证，结果显示相比竞争性监督和RLVR基线，该方法显著提升了训练效率和最终推理性能，相关代码已公开。
AI 根据报道生成 · 1 小时前更新
最新进展10月23日 12:00
Group Contrastive Policy Optimization (GCPO)：超越自我探索极限的强化学习算法报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv · AIGroup Contrastive Policy Optimization (GCPO)：超越自我探索极限的强化学习算法
GCPO 提出一种混合目标，通过在采样全零奖励时启用近端对比目标，利用离线黄金推理轨迹提供可靠正参考，解决 RLVR 中信号丢失问题。 该方法在两个模型规模及 10 项核心数学推理基准上验证，相比竞争性的监督和 RLVR 基线，显著提升了训练效率和最终推理性能。
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。