arXiv · cs.AI· Yiming Zong, Yige Wang, Xing Hu, Jiashuo Jiang, Zuo-Jun Max Shen·· 1 天前
CERO：RL 后训练中 rollout 预算的分配位置与时机
CERO: Where and When to Allocate Rollouts for RL Post-Training
arXiv:2610.09679v1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：Yiming Zong, Yige Wang, Xing Hu, Jiashuo Jiang, Zuo-Jun Max Shen
首次提交：2026-10-07 16:40
研究任务与主要进展
CERO 是一种用于组相对强化学习后训练的在线原始—对偶调度器，协调整个训练周期内有限 rollout 预算，动态决定提示选择、回访频率和每轮生成组数。实验在相同训练响应预算下，于三个骨干、五个数学推理基准上取得各自最高 avg@16 宏平均，并给出针对代理差异和速率变化的路径保证。多种子消融显示，自适应节奏优于均匀和预设支出调度。
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