提出StepRS-GRPO改进扩散语言模型数学推理

Yue Yu等作者发布论文提出StepRS-GRPO，一种面向扩散语言模型（dLLM）的强化学习方法：在去噪过程中按状态调整GRPO群体优势变换的风险系数，同时保留底层训练器。 基于论文摘要，该方法在多个dLLM骨干和数学推理基准上，相比居中GRPO（centered GRPO）提升了pass@1准确率和pass@k覆盖率，并增加答案多样性；质量匹配、调度方向消融及优势RMS匹配实验支持了这些增益。

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。