arXiv cs.AI / cs.LG 最新· Jiale Huang·· 21 小时前AI 评分41
SetGRPO：校准评分器诱导的策略优化
SetGRPO: Calibrating Grader-Induced Policy Optimization
AI 导读
SetGRPO 用联合奖励集校准、几何引导安全恢复和选择性风险门控优化，修正评分器随机性对 GRPO 组内系数及更新的影响。它在 Qwen3.5 与 Llama3.2 两个模型家族、覆盖三个领域的十个开放式基准上取得对比方法中最高的宏平均。
标题与摘要由 AI 辅助生成，事实与观点以原文为准。
来源：arXiv cs.AI / cs.LG 最新 · arxiv.org
本站标题、摘要与推荐理由由 AI 辅助生成；原文版权归来源所有。