arXiv · Machine Learning· Junxing Hu, Zicheng Zhang, Zhiqian Zhang, Ai Han, Yifeng Zhang, Pengzhang Liu, Ling Li·· 10 小时前AI 评分47
Info-GRPO：面向长轨迹推理的相关性感知探索
Correlation-Aware Exploration for Long-Trace Reasoning
AI 导读
Info-GRPO通过在训练提示中加入潜变量种子，使策略探索与潜在先验相关联，以缓解长推理轨迹中探索与熵收敛的冲突。AIME24上，其在四种骨干模型上的Avg@8较GRPO分别提升3.75%、1.66%、4.16%和4.17%。达到相同多数投票准确率时，Info-GRPO所需样本数减少至八分之一。
来源：arXiv · Machine Learning · arxiv.org