研究者提出热带强化学习Tropical RL方法
原文标题：Tropical Reinforcement Learning
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。
论文提出热带强化学习（Tropical RL），将大模型强化学习中累加成功轨迹概率的做法改为取最大值，对应热带半环代数。状态价值由此变为最可能被验证解的对数概率，并附带可重放复用的显式路径，使来自不同 rollout 的最佳前缀与后缀能够拼接，实现真正的组合。作者提出 TROPIC 训练算法，在 Sokoban、Countdown、FrozenLake、WebShop 四个智能体任务上比最强同策略基线高出最多 16 个百分点。
- 问题
- LLM强化学习用期望回报累加成功轨迹概率，无法指出哪个解法真正有效，也不利于组合推理。
- 方法
- Tropical RL把概率求和改为取最大值（热带半环），状态价值变为最可能验证解的对数概率并附带可复用路径，配合TROPIC训练算法。
- 结果
- 在Sokoban、Countdown、FrozenLake、WebShop四个任务上比最强同策略基线高出最多16个百分点。
- 影响
- 改变RL目标代数即可让不同rollout的最佳前缀后缀拼接，为可验证组合推理任务提供新训练范式。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Tropical RL把成功轨迹概率从求和改为取最大值，四个智能体任务上超最强同策略基线最多16个百分点。
- •用热带半环代数替代期望回报的求和形式，状态价值变为最可能被验证解的对数概率
- •附带可重放复用的显式路径，不同rollout的最佳前缀与后缀可在共享状态拼接
- •针对确定性、可重置、结果可验证的环境提出TROPIC训练算法
- •在Sokoban、Countdown、FrozenLake、WebShop四个任务上比最强同策略基线高最多16个百分点
- •动机是求和只能报告成功率，无法指出哪个解真正有效，且强化一个解可能遗忘另一个
为什么重要：组合式推理需要把分散在不同失败尝试中的步骤拼起来，取最大值的形式天然支持这种拼接，对RL训练目标设计有启发。
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。