提出GDEPO提升ATP强化学习样本效率

Zhengqing Yan等在arXiv发布论文，提出GDEPO方法，用于提升自动定理证明（ATP）中强化学习的样本利用率和优化效率。 GDEPO针对GRPO在二元验证反馈和无效批次场景下的训练浪费，引入三个机制：动态追加采样（对无效批次重采样直至找到有效证明）、等权优势，以及对最终成功样本追加梯度迭代。作者称在MinF2F-test、MathOlympiadBench和PutnamBench上的实验及消融研究验证了各组件的协同有效性。 材料仅提供论文摘要，未说明具体基线对比、计算成本和实验细节，结果尚属作者报告。

AI 根据报道生成 · 35 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。