提出AdaC-GRPO训练方法及FG-Sudoku基准

Sida Li 等论文作者发布论文，提出自适应课程群组相对策略优化方法 AdaC-GRPO，通过在线 rollout 准确率动态构建训练批次，以缓解长程视觉数独任务中的奖励稀疏问题，并引入 FG-Sudoku 基准（视觉数独长程多模态推理）。 作者称，实验显示 AdaC-GRPO 使 Qwen2.5-VL-7B 接近 Gemini-2.5-Flash 的性能，并弥合了与 Gemini-2.5-Pro 整体准确率差距的 62.2%；其通用性还在 InternVL-3.5 和 Qwen3-VL 上得到验证（基于论文摘要）。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。