热点事件持续更新
研究团队提出跨行为策略优化方法CBPO
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月12日，arXiv机器学习领域发表研究，提出跨行为策略优化（CBPO）方法。该方法通过固定参考目标，将离线演示以及当前与历史采样统一在单一回归损失下，无需协调分离的监督微调（SFT）与强化学习（RL）目标，也无需存储行为策略概率。在四个数学推理基准测试中，CBPO-Unified在Qwen3-1.7B模型上展现出良好效果，相比SFT DAPO，其平均avg@32和pass@32分别提升了2.33和4.44个百分点。
AI 根据报道生成 · 1 小时前更新
最新进展10月12日 12:00
研究团队提出CBPO方法，在Qwen3-1.7B上显著提升了数学推理基准表现。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv 机器学习跨行为策略优化（CBPO）：通过共享回归目标统一离线演示与在线及离线采样学习
跨行为策略优化（CBPO）通过固定参考目标将离线演示以及当前与历史采样统一在单一回归损失下，无需协调分离的 SFT 与 RL 目标或存储行为策略概率。在四个数学推理基准测试中，CBPO-Unified 在 Qwen3-1.7B 上相比 SFT DAPO 将平均 avg@32 和 pass@32 分别提升了 2.33 和 4.44 个百分点。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。