arXiv · cs.AI· Kaifei Wang, Zikang Shan, Liwei Wang, Yinyu Ye, Han Zhong·· 1 天前
RLVR中动量何时有效：强化学习可验证奖励下的优化分析
When Does Momentum Help in Reinforcement Learning with Verifiable Rewards?
arXiv:2610.20413v1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：Kaifei Wang, Zikang Shan, Liwei Wang, Yinyu Ye, Han Zhong
研究任务与主要进展
该研究分析可验证奖励强化学习（RLVR）中一阶动量何时能够改善优化，并提出在安全范围内选择更大EMA系数β的原则。作者报告，精确策略梯度下增大β可严格加速优化；采样梯度存在波动时，增大学习率β相关组合中的安全条件可保留非消失的预期收益。摘要称，bandit模拟验证了这些预测，Qwen3-4B-Base和Qwen2.5-32B实验支持在LLM后训练中采用较大系数；具体实验细节未在材料中说明。
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