AdaC-GRPO：自适应课程强化学习攻克长程视觉数独
原文标题：AdaC-GRPO: Towards Mastering Long-Horizon Visual Sudoku Puzzles via Adaptive Curriculum 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。
研究者提出 FG-Sudoku 细粒度基准，按网格大小与推理步数分级，发现前沿多模态大模型在 9×9 长程依赖数独上近乎零成功率，导致标准 RLVR 奖励稀疏而失效。为此提出 AdaC-GRPO，通过在线 rollout 准确率追踪模型「最近发展区」动态构建训练批次。实验显示其使 Qwen2.5-VL-7B 接近 Gemini-2.5-Flash，并弥合与 Gemini-2.5-Pro 之间 62.2% 的准确率差距，在 InternVL-3.5 与 Qwen3-VL 上验证了泛化性。
- 问题
- 长程多模态推理任务奖励稀疏，标准 RLVR 难以训练。
- 方法
- AdaC-GRPO 用在线 rollout 准确率追踪模型最近发展区，动态构建课程批次。
- 结果
- Qwen2.5-VL-7B 接近 Gemini-2.5-Flash，弥合与 Gemini-2.5-Pro 间 62.2% 准确率差距。
- 影响
- 为多模态长程推理的强化学习提供可复用的课程策略，缓解奖励稀疏。
深读 · 结论先行AI 生成展开看要点与影响 ↓
新基准显示前沿多模态模型9×9数独近乎零成功率，AdaC-GRPO补上62.2%差距。
- •FG-Sudoku按网格大小与推理步数分级，9×9长程依赖数独上前沿MLLM成功率近乎为零
- •近零成功率导致标准RLVR奖励稀疏、训练停滞
- •AdaC-GRPO通过在线rollout准确率追踪模型「最近发展区」，动态构建训练批次
- •使Qwen2.5-VL-7B接近Gemini-2.5-Flash，弥合与Gemini-2.5-Pro之间62.2%的准确率差距
- •在InternVL-3.5与Qwen3-VL上验证了泛化性
为什么重要：长程多步推理是当前多模态模型的能力短板，课程式RLVR提供了一条不依赖更强基座、靠训练策略补差距的路径。
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。