arXiv · cs.AI· Long Li, Zhijian Zhou, Tianyi Wang, Weidi Xu, Zuming Huang, Wei Chu, Zhe Wang, Shirui Pan, Chao Qu, Yuan Qi·· 11 小时前
DyJR通过动态Jensen-Shannon回放提升强化学习中的解多样性
DyJR: Preserving Diversity in Reinforcement Learning with Verifiable Rewards via Dynamic Jensen-Shannon Replay
arXiv:2603.16157v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Long Li, Zhijian Zhou, Tianyi Wang, Weidi Xu, Zuming Huang, Wei Chu, Zhe Wang, Shirui Pan, Chao Qu, Yuan Qi
研究任务与主要进展
Long Li等人提出DyJR，用动态Jensen-Shannon散度正则和基于FIFO、自适应大小的时敏动态缓冲区，减少GRPO复用历史轨迹时的策略过度集中，以维持近期可达替代解。基于论文摘要，DyJR在数学推理、Text-to-SQL和代码基准上优于GRPO、RLEP和Ex-GRPO，训练效率与原始GRPO相近；Rank-k概率演化和语义模式分析显示，替代续写的集中度降低、保留度提高。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org