跳到主要内容
检索

# Range-GRPO

1 篇关联报道

订阅更新
  1. arXiv

    Range-GRPO 用共形校准奖励区间做成对比较,在评测的半监督方法中取得最高分布内与分布外平均性能且训练资源更少

    该工作提出 Range-GRPO 半监督后训练框架,将 LLM-as-a-Judge 的伪奖励表示为共形校准的奖励区间,并在 GRPO 中对奖励区间做成对比较而非压缩为点奖励,使区间不确定性同时影响学习信号的幅度与方向;理论分析表明当所有奖励区间退化为点时该目标可恢复 GRPO 优势,实验显示其在所评测的半监督方法中取得最高的分布内与分布外平均性能,且所需训练资源更少。

已读完全部报道