arXiv cs.AI / cs.LG 最新· Zehao Wang·· 21 小时前AI 评分54
PICO 用策略兼容联合解码解决 RLVR 全部 rollout 失败时的零优势问题
When All Rollouts Fail: Policy-Compatible Joint Decoding for Hard-Problem Reasoning
AI 导读
PICO（Policy-Compatible Reinforcement Learning）提出一种分布约束的联合解码方法，让 RLVR 在所有 rollout 都失败时仍能得到可验证且与当前策略兼容的轨迹。
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。