Primary sourcearXiv cs.AI
View sourceEvent ·Multi-source
SetGRPO 提出校准评分器扰动的策略优化方法，在 Qwen3.5 与 Llama3.2 上十个基准拿下最高宏平均
针对基于评分器的强化学习（GRPO）中评分随机性会改变整组训练系数的问题，论文提出 SetGRPO。方法包含三个模块：联合奖励集合校准、几何引导安全恢复和选择性风险门控优化，在可交换性条件下提供有限样本边际覆盖与风险控制。在覆盖三个领域的十个开放式基准上，SetGRPO 在 Qwen3.5 和 Llama3.2 两个模型家族的所有对比训练方法中取得最高宏平均。
Current read
用评分器训开放式任务的 RL 方法容易因打分波动跑偏，这篇给 GRPO 加了不确定性和风险控制，实测在 Qwen3.5 和 Llama3.2 上十个基准平均分最高。
3 sources38° AI heatLast updated 2026/10/27 08:11:30
Evidence
3 sourcesConflict check
Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.