本研究提出了一种新颖的强化学习方法——序列组衰减奖励策略优化（S-GRPO），旨在解决推理模型中的冗余问题。该方法通过选择多个时间点判断推理步骤的充分性，实现早期退出，从而缩短序列长度并提高准确性。

S-GRPO: Achieving Early Exit in Reasoning Models through Reinforcement Learning
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证