10:16
官方账号arXiv cs.LG@Siddarth Venkatraman, Matthieu Dinot, Laurence Aitchison
推荐理由：这论文提了两个新招PVF和TETHER，给LLM强化学习用的，比标准价值函数强，和GRPO差不多甚至更好，搞RL的可以看看。
PVF
共 1 条相关 AI 资讯
8月18日
10:16
论文提出两种互补策略改进价值函数强化学习：特权价值函数（PVF）在不偏置策略目标的前提下注入额外token级信号；TETHER则根据价值函数准确性自适应地在组相对基线和价值基线之间插值。在多个推理任务上，这两种策略均稳定优于标准价值函数基线，并与平均基线GRPO相比具有竞争力或更优。