Компьютерные науки > Искусственный интеллект [представлен 27 октября 2026 года] Название: Guided-RLVR: Geoperated Explored Study in Unerable Rewards View PDF HTML (экспериментальный) Резюме: Укрепление обучения с поддающимися проверке наградами (RLWR) продемонстрировало значительные эмпирические выгоды в плане улучшения логической способности крупных языковых моделей (LMS) по таким задачам, как математика и программирование. Однако недавние исследования показали, что развертывание RLVR часто падает на узкий набор логических траекторий, ограничивая изученное пространство для рассуждений. Исходя из выводов о том, что мыслящие символы на критических этапах служат важнейшими структурными элементами в рассуждениях LLM, мы предлагаем Guided-RLVR — новый подход, который дополняет RLVER легким регулятором. Контроллер стратегически вводит в распределение проб семантически значимые знаки рулевого управления, поощряя модель подходить к проблемам с точки зрения различных рассуждений и тем самым расширяя разведочное пространство. Эксперименты в области математических рассуждений и критериев формирования кодов показывают, что Guided-RLVR последовательно опережает существующие методы RLVr при одновременном создании более разнообразных логических траекторий. Дополнительные ссылки и цитаты... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Каков умный…
Гид-РЛВР: Направленное исследование в области укрепления обучения с поддающимися проверке репарациями
arXiv: 261 030 7041v1 Annuation Type: New Humber: Supporting Upduction with поддающееся проверке вознаграждение (RLVR) продемонстрировали значительный эмпирический прогресс в деле повышения способности крупных языковых моделей (LMS) к обоснованию таких задач, как математика и программирование. Однако недавние исследования показали, что развертывание RLVR часто падает на узкий набор логических траекторий, ограничивая изученное пространство для рассуждений. Исходя из выводов о том, что мыслящие символы на критических этапах служат важнейшими структурными элементами в рассуждениях LLM, мы предлагаем Guided-RLVR — новый подход, который дополняет RLVER легким регулятором. Контроллер стратегически вводит в распределение проб семантически значимые знаки рулевого управления, поощряя модель подходить к проблемам с точки зрения различных рассуждений и тем самым расширяя разведочное пространство. Эксперименты по математическим рассуждениям и контрольным показателям формирования кодов показывают, что Guided-RLVR последовательно опережает существующие методы RLVr в то же время