11:27
官方账号arXiv cs.AI@Mingxuan Xia, Yuhang Yang, Chao Ye, Shuai Zhu, Shenzhi Yang, Guangcheng Zhu, Yuhang Zhang, Cheng Peng, Haobo Wang, Siqing Wang
推荐理由：这篇论文分析了评分RL中信号丢失的普遍问题（57%样本受影响），并提出CriPO自蒸馏方法，在医学和科学基准上效果更好且训练更快。
CriPO
共 1 条相关 AI 资讯
7月21日
11:27
论文提出Criterion-Distilled Policy Optimization (CriPO)，针对评分强化学习中的两个问题：未探索准则（UC）和抑制准则（SC）。分析显示SC在训练中发生率超过57%，平均每样本1.8个SC。CriPO通过在线自蒸馏分别处理UC（构建准则注入自教师）和SC（反事实自教师翻转token级优势），在医学和科学基准上一致优于基线，训练步数减少约2倍。