arXiv · cs.AI· Yue Yu, Bowen Zuo, David Crandall, Yinglun Zhu, Dongruo Zhou·· 5 小时前
StepRS-GRPO：通过逐步风险敏感策略提升扩散语言模型数学推理能力
Exploring More, Reasoning Better: Stepwise Risk-Sensitive GRPO for Diffusion Language Models
arXiv:2610.00661v2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：Yue Yu, Bowen Zuo, David Crandall, Yinglun Zhu, Dongruo Zhou
研究任务与主要进展
作者提出StepRS-GRPO，在扩散语言模型的去噪过程中按状态调整GRPO群体优势变换的风险系数，同时保留底层训练器。基于论文摘要，该方法在多个dLLM骨干和数学推理基准上，相比居中GRPO提升了pass@1准确率、pass@k覆盖率和答案多样性；质量匹配、调度方向消融及优势RMS匹配实验也支持了这些增益。
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