ExpDis解耦强化学习探索与优化
热点事件持续更新
ExpDis解耦强化学习探索与优化
1 篇报道1 个报道来源17 小时前更新
先了解这件事
AI 综述
Saif Punjwani与Micah Goldblum提出ExpDis框架；基于论文摘要，该方法在相同墙钟预算下，于七个数学推理基准和两个模型家族上均优于DAPO，并呈现更好的pass@k扩展。 ExpDis用于强化学习可验证奖励：先训练带新颖性奖励的探索策略，筛选其正确且高质量的轨迹，再蒸馏给不带新颖性奖励的学生策略，通过多轮交替分别推进探索与优化。作者称，这能使模型生成更多样化的正确解；材料未提供具体分数，也未说明独立复现情况。
AI 根据报道生成 · 1 小时前更新
最新进展10月8日 01:59
ExpDis 解耦 RLVR 中强化学习可验证奖励的探索与优化报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv · cs.AIExpDis 解耦 RLVR 中强化学习可验证奖励的探索与优化
Saif Punjwani 与 Micah Goldblum 提出 Exploration-Distillation（ExpDis），将带新颖性奖励的探索策略与不包含新颖性奖励的学生策略分离，并通过多轮交替进行探索与优化。基于论文摘要，ExpDis 在七个数学推理基准和两个模型家族上以相同墙钟预算报告优于 DAPO，同时改善了 pass@k 扩展，作者据此认为其能生成更多样化的正确解。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。