10:59
官方账号arXiv cs.AI@Penghui Qi, Xiangxin Zhou, Wee Sun Lee
推荐理由：这篇论文提出了一种针对大型语言模型训练中评论家不稳定性的解决方案，结合多种优化方法，效果显著，值得一看。
数学推理任务
共 1 条相关 AI 资讯
8月25日
10:59
研究针对大型语言模型训练中评论家不稳定性的问题，提出Best-Practice Critic Optimization (BPCO)方法，结合DPPO、价值预测、蒙特卡洛价值目标等，在数学推理任务中显著提升评论家性能，并匹配或超过基于群体的基线。代码开源。