DART-ES：难度感知的进化策略微调
原文标题：DART-ES: Difficulty-Aware Reweighting and Targeted Replay for Fine-Tuning LLMs with Evolution Strategies
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。
论文针对进化策略（ES）微调大模型时奖励均匀平均、难以反映题目学习价值变化的问题，提出 DART-ES。该方法根据扰动群体的通过率估计题目难度状态，联合指导难度重加权与稀有可解样本回放。实验在五个基座模型上均优于 ES，GSM8K 平均准确率从 72.07% 提升至 73.53%，且相比 GRPO 显著降低运行时间与显存占用。
- 问题
- 进化策略微调LLM时奖励均匀平均，无法反映题目学习价值变化。
- 方法
- 用扰动群体通过率估计题目难度状态，联合指导难度重加权与稀有可解样本回放。
- 结果
- 五个基座模型均优于ES，GSM8K平均准确率从72.07%升至73.53%，超过GRPO的73.26%。
- 影响
- 在仅前向计算、低显存约束下提升数学推理微调效果，适合资源受限团队。
深读 · 结论先行AI 生成展开看要点与影响 ↓
DART-ES 按题目难度重加权并回放稀有可解样本，GSM8K 准确率 72.07%→73.53%。
- •ES 微调只用前向计算、显存友好，但均匀平均奖励、把群体反馈压成单一标量
- •DART-ES 用扰动群体通过率估计题目局部可解性，聚合历史观测构建动态难度状态
- •该状态联合指导连续难度重加权与稀有可解样本回放，不引入额外难度模型或反向传播
- •五个基座模型上均优于 ES，GSM8K 平均准确率从 72.07% 提升至 73.53%，超过 GRPO 的 73.26%
- •五个数学推理基准平均 49.20%，ES 为 48.34%，且运行时间与显存显著低于 GRPO
为什么重要：给显存受限、无法跑 RL 的团队一条比 ES 更强、比 GRPO 更省的微调路线，指令微调与代码生成也有增益。
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。