arXiv · cs.AI· Rasool Fakoor, Murdock Aubry, Nicholas Stranges, Alexander J. Smola·· 1 天前
P3O 以批次有效样本量改进 RL 后训练
Let the Batch Decide, On- or Off-Policy: Effective Sample Size for RL Post-Training
arXiv:2605.12380v2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：Rasool Fakoor, Murdock Aubry, Nicholas Stranges, Alexander J. Smola
研究任务与主要进展
基于论文摘要，Rasool Fakoor 等将批次自适应目标 P3O 用于大模型强化学习后训练，以逐 token 策略比值的归一化有效样本量替代固定裁剪范围，并据此约束 score-function 权重和离策略正则化强度。
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