ExPPO：保留探索的策略优化方法
原文标题：Exploration-Preserving Policy Optimization
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 Exploration-Preserving Policy Optimization（ExPPO），一种轻量级优势塑形规则，利用提示相对、长度归一化的响应惊讶度与通过率重新分配信用。该方法在保持验证器极性的同时维持每组绝对优势质量，理论分析给出熵与正确模式发现提升的局部条件。实验显示域内与域外推理覆盖、整体准确率及大采样预算下的覆盖度均有提升。
- 问题
- 组相对RL中同等奖励响应获得相同优势，导致信用分配偏向高频采样模式，抑制探索。
- 方法
- 用提示相对、长度归一化的响应惊讶度与通过率重塑优势，配合有界塑形与共享归一化，保持验证器极性与组内绝对优势质量。
- 结果
- 域内与域外推理覆盖、整体准确率及大采样预算下覆盖度均提升；多答案评测中正确模式产出与多样性增加。
- 影响
- 为可验证奖励RL提供即插即用的优势塑形规则，提升采样预算下的探索覆盖，适合推理模型训练调优。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ExPPO用提示相对、长度归一化的惊讶度与通过率重塑优势，提升域内外推理覆盖与准确率。
- •针对组相对目标给同等奖励响应分配同等优势、信用与采样模式频率成正比的问题
- •ExPPO用提示相对、长度归一化的响应惊讶度与提示通过率重新分配信用
- •结合有界塑形与共享归一化，保持验证器极性并近似维持每组绝对优势质量
- •理论分析给出熵与正确模式发现提升的局部条件
- •实验显示域内与域外推理覆盖、整体准确率及大采样预算下覆盖度均提升，代码已开源
为什么重要：可验证奖励RL中信用分配决定哪些解法在重复采样下仍可被找到，该方法针对探索坍缩问题提供了轻量修正。
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。