DyJR：动态Jensen-Shannon回放改进GRPO多样性

Long Li 等人在 arXiv 论文中提出 DyJR（Dynamic Jensen-Shannon Replay），针对 GRPO 复用历史轨迹时策略过度集中的问题，用动态 Jensen-Shannon 散度正则和基于 FIFO、大小自适应的时敏动态缓冲区作为参考分布，以维持近期可达的替代解。 基于论文摘要，在数学推理、Text-to-SQL 和代码基准上，DyJR 优于 GRPO 及 RLEP、Ex-GRPO 等基线，训练效率与原始 GRPO 相近；Rank-k 概率演化和语义模式分析显示替代续写的集中度降低、保留度提高。

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。