★ 2
精确策略优化：基因组工具选择的全组策略优化
论文指出在工具子集可枚举的专业科学场景中，GRPO 从少量采样估计动作期望存在结构性错配，训练越成功奖励信号越稀疏，基因组推理中无奖励信号问题比例从 0.2% 升至 20.8%。作者提出 FGPO，对全部工具子集打分并预计算奖励表，在 5 个冻结推理器与 3 个基因组基准的 15 种设置中平均提升…
arXiv cs.AI53 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文指出在工具子集可枚举的专业科学场景中，GRPO 从少量采样估计动作期望存在结构性错配，训练越成功奖励信号越稀疏，基因组推理中无奖励信号问题比例从 0.2% 升至 20.8%。作者提出 FGPO，对全部工具子集打分并预计算奖励表，在 5 个冻结推理器与 3 个基因组基准的 15 种设置中平均提升…