跳到正文
热点事件持续更新

ROAM-GRPO 提出以提升推理多样性

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

针对 SFT 与 RLVR 训练导致 LLM 策略多样性坍缩、进而使 pass@k 准确率下降的问题,研究人员提出 ROAM-GRPO 算法。该算法是对 GRPO 的增强,旨在激励探索不同的推理策略,提高评估时的输出创造性。其核心机制为将已解决问题转入离线模式,挖掘不同策略,并经 LLM 法官验证后实施自蒸馏,以解决策略多样性不足的问题。

AI 根据报道生成 · 15 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv · AI
    ROAM-GRPO: 通过路由离线模式方法挖掘,在 GRPO 中强制执行推理多样性

    SFT 与 RLVR 训练会导致 LLM 策略多样性坍缩,使 pass@k 准确率下降。ROAM-GRPO 增强 GRPO 算法,将已解决问题转入离线模式挖掘不同策略并经 LLM 法官验证后自蒸馏。

本事件热度走势

可比范围当前
6
可比范围峰值
1011月20日 14:00
近 24 小时变化
–

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。