研究提出TAR框架以保持RLVR推理多样性

为解决可验证奖励强化学习（RLVR）降低大语言模型推理多样性的问题，研究人员提出了针对性自适应回放框架 TAR。该框架通过构建基座模型多样化解法的紧凑记忆库，并在模型行为受抑制时执行选择性回放，从而兼顾推理多样性与性能。在 6 个数学推理基准和 2 种千问 Qwen2.5 模型规模上的实验表明，TAR 取得了更佳的推理性能与多样性平衡，并大幅减少了遗忘。目前，该研究的相关代码已正式开源。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。