CERO动态分配强化学习rollout预算

Yiming Zong等提出CERO，一种用于组相对强化学习后训练的在线原始—对偶调度器，在有限rollout预算下动态决定提示准入、生成节奏和跨轮次回访。论文实验称，在相同训练响应预算、每个获准提示使用固定大小响应组的条件下，CERO在三个骨干模型和五个数学推理基准上均取得最高的avg@16宏平均；多种子消融还显示，自适应节奏优于均匀和预设支出调度。 研究将累计提示暴露建模为凹代理效用，并针对代理差异和速率变化给出相对于固定速率及同一路径时变基线的路径保证；这些保证针对代理目标，不等同于完整后训练性能保证。

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。