★ 3
研究者提出热带强化学习Tropical RL方法
论文提出热带强化学习（Tropical RL），将大模型强化学习中累加成功轨迹概率的做法改为取最大值，对应热带半环代数。状态价值由此变为最可能被验证解的对数概率，并附带可重放复用的显式路径，使来自不同 rollout 的最佳前缀与后缀能够拼接，实现真正的组合。作者提出 TROPIC 训练算法，在 …
arXiv cs.AI28 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出热带强化学习（Tropical RL），将大模型强化学习中累加成功轨迹概率的做法改为取最大值，对应热带半环代数。状态价值由此变为最可能被验证解的对数概率，并附带可重放复用的显式路径，使来自不同 rollout 的最佳前缀与后缀能够拼接，实现真正的组合。作者提出 TROPIC 训练算法，在 …