跳到主要内容
检索

# 熵引导的信用分配

1 篇关联报道

订阅更新
  1. arXiv

    EAPO 用熵与优势符号的非对称信用分配,在四个骨干模型上把数学推理平均准确率推到最高

    该工作提出 Entropic Advantage Policy Optimization(EAPO),把归一化策略熵与响应优势的符号耦合,对成功响应中的高熵决策加强强化、对失败响应中的低熵决策加强惩罚、同时削弱不确定位置的惩罚,从而在不引入辅助模型、额外采样或特权信息的前提下把响应级优势重新分配到 token 级,并在数学、逻辑与算法推理任务上取得最佳总体表现。

已读完全部报道