arXiv cs.AI· Hanyu Wang, Nakul Agarwal, Hossein Nourkhiz Mahjoub, Ehsan Moradi Pari, Makoto Fukushima, Jinghui Chen, Vaishnav Tadiparthi·· 25 天前AI 评分34
推理强化学习轨迹生成：平衡参考引导与自由生成
Balancing Reference Guidance and Free Generation in Trajectory Rollouts for Reasoning RL
AI 导读
研究提出自适应参考引导（ARG）方法，在固定生成预算下平衡参考前缀引导与自主生成，用于解决推理强化学习在 GRPO 全失败组中的轨迹构建难题。在 Qwen3-4B 与 Qwen3-8B 上的 5 个数学推理基准测试显示，ARG 在受评方法中取得最高的综合 pass@12，同时保持了有竞争力的平均采样准确率。
来源：arXiv cs.AI · arxiv.org