★ 3
VH-GPO：LLM 智能体强化学习的验证式交接
论文针对 GRPO 等组相对强化学习中全失败轨迹优势归零的问题，提出结果验证的师生交接方法 VH-GPO：教师仅提供足够支持到达学生可成功的状态，随后交回控制权。在 Qwen2.5-1.5B 上把 ALFWorld 成功率从 59.38% 提升至 94.79%，WebShop 从 71.62% 提…
arXiv cs.LG19 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文针对 GRPO 等组相对强化学习中全失败轨迹优势归零的问题，提出结果验证的师生交接方法 VH-GPO：教师仅提供足够支持到达学生可成功的状态，随后交回控制权。在 Qwen2.5-1.5B 上把 ALFWorld 成功率从 59.38% 提升至 94.79%，WebShop 从 71.62% 提…