论文10:54
STARE: 基于惊讶度引导的令牌级优势重加权策略熵稳定性方法STARE解决了GRPO训练中策略熵崩溃的老问题，在AIME数学竞赛上比DAPO高4-8个点，代码也开源了，搞RL训练的同学可以试试。
#STARE
共 1 条 · 7 天 0 条 · 30 天 0 条
信息流里打上「STARE」标签的资讯、产品与论文，按刊登时间排，新的在上。
6月18日
STARE解决了GRPO训练中策略熵崩溃的老问题，在AIME数学竞赛上比DAPO高4-8个点，代码也开源了，搞RL训练的同学可以试试。