计算机科学 > 人工智能
[提交于 2025年7月31日
(v1)
,最后修订 2025年8月6日 (此版本, v3)]
标题: RL-PLUS:在强化学习中通过混合策略优化对抗大语言模型的能力边界崩溃
标题: RL-PLUS: Countering Capability Boundary Collapse of LLMs in Reinforcement Learning with Hybrid-policy Optimization
摘要: 基于可验证奖励的强化学习(RLVR)显著提升了大型语言模型(LLMs)的复杂推理能力。 然而,由于其本质上是在线策略,加上LLM的巨大动作空间和稀疏奖励,它难以突破基础LLM的固有能力边界。 关键的是,RLVR可能导致能力边界崩溃,缩小LLM的问题解决范围。 为了解决这个问题,我们提出了RL-PLUS,这是一种针对LLMs的新颖混合策略优化方法,通过结合内部利用与外部数据来实现更强的推理能力并超越基础模型的边界。 RL-PLUS集成了两个核心组件,即多重重要性采样,以解决来自外部数据的分布不匹配问题,以及基于探索的优势函数,以引导模型走向高价值、未探索的推理路径。 我们提供了理论分析和大量实验来证明我们方法的优势和通用性。 与现有的RLVR方法相比,RL-PLUS在六个数学推理基准测试中实现了1)最先进的性能;2)在六个分布外推理任务中表现更优;3)在多种模型家族中实现了持续且显著的提升,平均相对改进高达69.2%。 此外,对Pass@k曲线的分析表明,RL-PLUS有效解决了能力边界崩溃的问题。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.