arXiv · Machine Learning· Wenhang Shi, Yiren Chen, Zhe Zhao, Jinhao Dong, Wei Lu, Xiaoyong Du·· 10 小时前AI 评分37
Self-Evolution Reasoner：通过策略内在探索与利用实现持续优化
Self-Evolution Reasoner: Continuous Optimization via Policy-Intrinsic Exploration and Exploitation
AI 导读
Self-Evolution Reasoner提出Self-Evolution Policy Optimization（SEPO），通过策略内在探索与分布内利用推动大语言模型推理能力持续进化。在科学、工具使用和复杂逻辑推理任务中，SEPO在相同训练时间或步数下均取得最佳表现，并在复杂任务及小规模模型场景中保持稳定提升，即使基线明显落后或失效。
来源：arXiv · Machine Learning · arxiv.org