arXiv · cs.AI· Shayan Mohajer Hamidi, Kayhan Behdin, Wenhui Zhu, Aida Rahmattalabi, Jincheng Cao, Jelena Markovic-Voronov, Alborz Geramifard·· 9 小时前
TETPO通过自适应重要性采样平滑控制强化学习后训练方差
Target-ESS Tempered Policy Optimization (TETPO): Smooth Variance Control via Bridge Importance Sampling
arXiv:2610.14440v1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：Shayan Mohajer Hamidi, Kayhan Behdin, Wenhui Zhu, Aida Rahmattalabi, Jincheng Cao, Jelena Markovic-Voronov, Alborz Geramifard
研究任务与主要进展
TETPO提出面向大语言模型异步强化学习后训练的自适应重要性加权方法，通过调节重要性权重的幂次控制目标有效样本量。该方法用一维二分搜索确定指数，并给出与策略漂移无关的归一化权重离散度和加权梯度范数界；摘要称其在高策略陈旧度的数学推理基准上优于强基线，但未说明具体数值和实验细节。
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