★ 3
执行后学习：基于动作特定信用的策略优化
论文提出「执行后学习」范式，将程序执行结果作为中间状态，支持同一策略的额外学习交互，并设计动作特定信用分配：初始动作取最终轨迹结果信用，纠正动作取相对中间状态的改进信用。在 Image-to-TikZ 的 945 个留出样本上，单次调用渲染成功率达 92.70%，高于继续单阶段 GRPO 的 88…
arXiv cs.AI19 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出「执行后学习」范式，将程序执行结果作为中间状态，支持同一策略的额外学习交互，并设计动作特定信用分配：初始动作取最终轨迹结果信用，纠正动作取相对中间状态的改进信用。在 Image-to-TikZ 的 945 个留出样本上，单次调用渲染成功率达 92.70%，高于继续单阶段 GRPO 的 88…