在离政策引导下学习推理

💡 原文中文,约500字,阅读约需2分钟。
📝

内容提要

本研究提出LUFFY框架,解决了零强化学习中的“在政策”限制,通过结合离政策示范与在政策训练,实现模仿与探索的动态平衡。LUFFY在六个数学基准测试中平均提升超过7.0,证明了其有效性,为训练通用推理能力模型开辟了新路径。

🏷️

标签

➡️

继续阅读