10:12
官方账号arXiv cs.LG@Vladislav Beliaev
推荐理由：Agon让两个模型互相打分比赛，推理能力直接翻倍，比GRPO强一倍，而且完全不需要人工标注过程标签。
Agon
共 1 条相关 AI 资讯
7月9日
10:12
Agon是一种竞争性跨模型强化学习方法，两个模型互为评分器，无需过程标签或奖励模型。在DeepMath硬数据集中使用Qwen3基准，Agon的pass@1达到GRPO的两倍。该方法通过交替角色训练，使模型逐步面对更强的对手。在Qwen3.5和Gemma 4等模型家族的编程代码任务上也验证了有效性。