10:41
官方账号arXiv cs.AI@Xingjian Tao, Yiwei Wang, Yujun Cai, Jing Tang
推荐理由：这篇论文用KL散度做密集奖励，还加了长度控制，空间推理上比GRPO更准更短，值得搞强化学习的人看看。
LenGuard-GPC
共 1 条相关 AI 资讯
7月21日
10:41
LenGuard-GPC是一种密集奖励框架，针对多视图空间推理中标准GRPO奖励稀疏且无法控制推理长度的问题。它通过比较标准提示与引导提示下token级预测分布的KL散度，提供密集奖励信号。同时引入分阶段长度奖励，将推理长度控制在合理范围，避免简单鼓励短回答。在6项多视图空间推理基准上，LenGuard-GPC相比原始GRPO提升了准确率，同时降低了平均响应长度。