★ 3
arXiv 提出 Li²SAO 异步强化学习优化方法
论文分析 GRPO 与轻量复现的 LiSAO 在单轮推理与多轮智能体任务上的表现，发现 GRPO 在推理任务占优、LiSAO 在智能体任务占优。作者提出 Li²SAO，用组相对优势训练 actor、组中心回报训练 critic，待 critic 成熟后切换单轨迹 GAE，早期追平或超越 GRPO …
arXiv NLP13 小时前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文分析 GRPO 与轻量复现的 LiSAO 在单轮推理与多轮智能体任务上的表现，发现 GRPO 在推理任务占优、LiSAO 在智能体任务占优。作者提出 Li²SAO，用组相对优势训练 actor、组中心回报训练 critic，待 critic 成熟后切换单轨迹 GAE，早期追平或超越 GRPO …