跳到主要内容
检索

Yijun Li

1 篇关联报道

订阅更新
  1. arXiv

    评分细则不再白给:RuACT把全对与全错的细则分别变成教师和更细的裁判

    按评分细则做强化学习时,一组回答全部通过或全部不通过的细则在组内相对优势中被抵消,Qwen3-4B医学训练里这类失活细则占查询–细则观测的60.88%。RuACT按细则当前状态分配角色:全不通过的细则作为特权信息交给冻结的自教师做奖励门控的在线自蒸馏,全通过的细则拆成能区分当前回答的子细则并共享父细则权重。在四个医学与科学基准上,Qwen3-4B的RuACT在每一项都优于GRPO、细则重加权和细则引导探索,ResearchQA从64.82%升到69.44%。

已读完全部报道