TAR 框架提出自适应回放保留 RLVR 推理多样性
原文标题：Preserving Reasoning Diversity in Reinforcement Learning with Verifiable Rewards via Adaptive Replay
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文研究 RLVR 降低大模型推理行为多样性的现象，指出有限在线采样会逐步压制语义不同但同等奖励的推理模式。提出 TAR 目标自适应回放框架，构建基座模型多样解的记忆库，仅在存储行为被压制时选择性回放。在六个数学推理基准和两个 Qwen2.5 规模上，TAR 在性能与多样性间取得更好平衡。
- 问题
- RLVR 训练会压制大模型推理行为的多样性。
- 方法
- 从有限采样动力学解释模式被压制后难以恢复，提出 TAR：建基座模型多样解记忆库，仅在行为被压制时自适应回放。
- 结果
- 在六个数学推理基准和两个 Qwen2.5 规模上，性能与多样性平衡优于现有方法，并显著减少正确基座解的遗忘。
- 影响
- 做推理模型后训练时可在不牺牲准确率的前提下保住解法多样性，降低灾难性遗忘。
深读 · 结论先行AI 生成展开看要点与影响 ↓
TAR用基座模型解的记忆库做自适应回放，缓解RLVR压制推理多样性。
- •从有限样本学习动力学解释：在线rollout有限会逐步压制语义不同但同等奖励的推理模式，且一旦欠采样便难以恢复。
- •TAR构建基座模型多样解的紧凑记忆库，仅在存储行为被压制时选择性回放。
- •在六个数学推理基准、两个Qwen2.5规模上，性能与多样性平衡优于现有保多样性后训练方法。
- •显著减少对基座模型正确解的遗忘。
为什么重要：RLVR提升推理成绩但牺牲多样性是后训练的常见副作用，TAR给出了不依赖重采样的回放式解法。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。