Tag: RL

All the articles with the tag "RL".

• 6.2

  Process Reward Agents for Steering Knowledge-Intensive Reasoning

  2026年04月13日

  · arXiv cs.AI· 04/13 12:31 采集

  Process Reward Agents 提出针对知识密集型推理的新型训练范式——在数学/代码等可验证领域之外的推理任务中，如何设计有效的 process reward model 来引导 CoT 质量。

• 6.4

  SPPO: Sequence-Level PPO for Long-Horizon Reasoning Tasks

  2026年04月13日

  · arXiv cs.AI· 04/13 12:31 采集

  SPPO 提出序列级 PPO 算法，解决 token-level PPO 在长 Chain-of-Thought 推理任务中的时序信用分配困难和高内存消耗两大瓶颈，为 GRPO 等替代方案提供了效率更高的训练路径。

• 7.0

  高效推理的艺术：数据、奖励与优化

  2026年03月24日

  · arXiv· 03/24 22:33 采集

  系统性研究LLM高效推理的激励机制，覆盖8种后训练算法在4种模型规模上的对比实验