各方报道 1 篇
arXiv cs.AI·10-12 12:00★ 3
AdaC-GRPO：自适应课程强化学习攻克长程视觉数独
原文 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。