AdaC-GRPO: На пути к овладению долгосрочными горозонскими визуальными судоку Пузл через адаптивное обучение по учебной программе

arXiv:2610.13184v1 Annuate Type: New Humber Abstract: В то время как усиление обучения с поддающимся проверке вознаграждением (RLVR) повышает аргументацию в крупных языковых моделях, его эффективность при решении долгосрочных задач смешанных перевозок по-прежнему недооценивается. Визуальные загадки Судоку представляют собой представительную проблему, требующую многоэтапного дедуктивного подхода к местным ограничениям и глобальным цепочкам зависимости. С этой целью мы введем FG-Sudoku, мелкозернистый эталонный показатель по размеру сетки и требуемым дедуктивным шагам. Оценки свидетельствуют о том, что ММЛМ не удается справиться со сложными дальними зависимостью (например, 9*9 головоломок). В ходе послеучебной подготовки этот показатель почти нулевого успеха вызывает серьёзную стойку вознаграждения, останавливая стандартный РЛВР. Для преодоления этой проблемы мы предлагаем создать группу по адаптации учебных программ для оптимизации политики (AdaC-GRPO). В отличие от жестких или предварительных графиков, AdaC-GRPO динамическо создает комплекты тренировок, отслеживая "Zone of Proximal Development" модели с помощью точности ввода в режиме онлайн. Эксперименты показывают, что AdaC-G