12:06
官方账号arXiv cs.LG@Priyank Agrawal, Ankur Samanta, Shervin Ghasemlou, Jalaj Bhandari, Kavosh Asadi, Daniel Jiang, Aditya Modi
推荐理由：模型一遇到难题就原地踏步？这篇论文给出了一个简单又有效的解法：给模型一点'提示'，效果直接涨3.9%，成本几乎为零。
Off-Context GRPO
共 1 条相关 AI 资讯
7月22日
12:06
标准RLVR在模型无法生成任何正确答案时会得到零学习信号，导致困难问题无法收敛。Off-Context GRPO通过在训练中引入解法前缀作为特权引导，使模型获得非零奖励。该方法通过重要性校正目标避免引导与原始目标的偏差，在标准数学推理基准上比vanilla GRPO平均绝对提升3.9%（相对提升13.8%），且额外成本可忽略。