研究者提出 RoAR 推理奖励方法并报告基准提升
热点事件持续更新
研究者提出 RoAR 推理奖励方法并报告基准提升
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
Sohyun Son、Yerim Hong、Jaeyun Park 和 Mujeen Sung 提出 RoAR，将推理一致性纳入 GRPO 对已验证正确 rollout 的奖励；在五个数学推理基准的零样本评测中，使用 7K 训练样本的 1.5B 模型平均 pass@1 为 55.5%，比 GRPO 高 6.0 个百分点、比 GRPO-CARE 高 5.5 个百分点。 研究者还盲审了四种 1.5B 模型都答对的 100 道题，RoAR 的“虚假推理”比例为 18%，低于 GRPO 的 32%、GRPO-CARE 的 27% 和 DRA-GRPO 的 37%。
AI 根据报道生成 · 51 分钟前更新
最新进展10月28日 12:00
通过 Rollout 一致性改进 Group-Based Policy Optimization 的推理能力报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine Learning通过 Rollout 一致性改进 Group-Based Policy Optimization 的推理能力
研究者提出 RoAR（Rollout-Agreement Reward），将推理一致性加入 GRPO 对验证正确 rollout 的奖励，无需人工推理链、额外采样或单独训练过程评估器。在5个数学推理基准的零样本评测中，1.5B GRPO-RoAR用7K训练样本取得55.5%平均 pass@1，较 GRPO 高6.0个百分点、较 GRPO-CARE 高5.5个百分点。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。