TAR框架通过自适应重放保持RLVR推理多样性

Wen-Zhi Li等提出TAR（Targeted Adaptive Replay）框架，以应对可验证奖励强化学习（RLVR）削弱大语言模型推理多样性的问题。该框架的核心机制是构建基模型解法记忆库，并在行为受抑制时进行选择性重放，从而有效保留基策略中已存在的多样化正确推理行为。 该方法在六个数学推理基准及两种规模的Qwen2.5模型上进行了验证。结果显示，TAR在推理性能与多样性保持方面取得了更好的平衡，并显著减少了对正确基模型解法的遗忘。目前，相关代码已开源。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。