热点事件持续更新
研究人员提出离线强化学习算法GGPO
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月16日，arXiv机器学习领域发表的一项研究提出了Gibbs-Gap策略优化（GGPO）算法，旨在解决带有可验证奖励的离线强化学习中长回复的高方差问题，该算法无需学习器到行为策略的重要性权重。消融实验显示，采用默认参考策略刷新调度的GGPO在五项基准问题上的加权平均分达到46.58，远高于固定参考策略的32.96。在数学推理实验中，GGPO在训练与推理不匹配及固定离线数据场景下的表现均优于GRPO和AGRO。
AI 根据报道生成 · 7 小时前更新
最新进展10月16日 12:00
研究人员提出GGPO算法，在数学推理等场景中性能优于GRPO和AGRO。报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv 机器学习用于可验证奖励离线强化学习的 Gibbs-Gap 策略优化（GGPO）
研究人员提出 Gibbs-Gap Policy Optimization（GGPO），无需学习器到行为策略的重要性权重，即可解决带有可验证奖励的离线强化学习长回复高方差问题。消融实验显示，采用默认参考策略刷新调度的 GGPO 在五项基准问题加权平均分达 46.58，远高于固定参考的 32.96。在数学推理实验中，GGPO 在训练与推理不匹配及固定离线数据场景下均优于 GRPO 和 AGRO。
本事件热度走势
当前热度 8·可比范围峰值 10（10月16日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。