ホットトピック継続更新中
研究者提出L2RR算法解决GRPO数据集失配问题
1 件の報道1 件の報道元1 日前 更新
まずこの件を把握する
AI 概要
2026年11月3日，针对可验证奖励强化学习中源训练集与目标测试集分布不一致的问题，arXiv机器学习领域发表相关研究，提出了一种将目标端性能反馈引入GRPO的重加权采样方法L2RR（learning-to-reweight rollout）。该方法通过双层优化目标来学习源提示词的离散采样分布，在最大化保留目标集准确率的同时，惩罚增量信息较低的采样。在6个数学推理基准和3种模型规模上的实验结果表明，L2RR成功提升了模型的目标域性能并改善了采样效率。
AI が報道をもとに生成 · 20 時間前 更新
最新の進展11月3日 13:00
研究提出L2RR重加权采样方法，通过双层优化缓解GRPO数据集失配并提升采样效率。報道タイムライン
報道をたどり、出来事のさまざまな側面を知る。
11月3日
- arXiv 机器学习数据集不匹配对可验证奖励强化学习中的 GRPO 至关重要
针对源训练集与目标测试集分布不一致的问题，研究提出将目标端性能反馈引入 GRPO 的重加权采样方法 L2RR（learning-to-reweight rollout）。该方法通过双层优化目标学习源提示词的离散采样分布，在最大化保留目标集准确率的同时惩罚增量信息较低的采样。在 6 个数学推理基准和 3 种模型规模上的实验表明，L2RR 提升了目标域性能并提高了采样效率。
このストーリーのホット度の推移
現在のホット度 5·比較可能範囲のピーク 9（11月3日 18:00）·直近24時間の比較可能な変化–
トレンドは継続して完全に観測した同じ主体のみを比較するため、現在のホット度の集計より範囲が狭い場合があります。ポインターの移動やタップで1時間ごとのホット度を確認でき、キーボードでは左右の矢印キーで切り替えられます。