热点事件持续更新
研究者提出L2RR算法解决GRPO数据集失配问题
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
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 根据报道生成 · 5 小时前更新
最新进展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。报道时间线
沿着报道，了解事件的不同侧面。
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。
本事件热度走势
当前热度 8·可比范围峰值 9（11月3日 18:00）·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。