跳到主要内容
检索

# 可验证奖励强化学习

1 篇关联报道

订阅更新
  1. arXiv

    POPO 仅在正样本 rollout 上做在线自蒸馏,在 AIME 2025 上以 Qwen-Math-7B 取得 36.67%,高于 GRPO 的 30.00%

    该工作提出 Positive-Only Policy Optimization(POPO),一种只在线正样本 rollout 上学习的 on-policy 自蒸馏与 RLVR 结合框架,用有界重要性采样、带动量自适应律的孪生策略网络和有界相似度惩罚替代 KL 散度,在 MATH-500、AMC23、AIME 2024/2025 和 Olympiad 等数学基准上优于 GRPO,其中 Qwen-Math-7B 在 AIME 2025 上达到 36.67%,GRPO 为 30.00%。

已读完全部报道