Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.09155

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2508.09155 (cs)
[提交于 2025年8月5日 ]

标题: 一块滚动的石头不长青苔:大型多模态模型中稳定自我评估的自适应策略优化

标题: A Rolling Stone Gathers No Moss: Adaptive Policy Optimization for Stable Self-Evaluation in Large Multimodal Models

Authors:Wenkai Wang, Hongcan Guo, Zheqi Lv, Shengyu Zhang
摘要: 自我评估,即模型评估自身输出正确性的能力,对于大型多模态模型(LMMs)在多轮对话中实现自我改进至关重要,但在基础模型中却 largely 缺失。 最近的工作已采用强化学习(RL)来增强自我评估;然而,其固定的奖励机制在优化多个训练目标时容易受到奖励劫持的影响,导致模型崩溃。 在本文中,我们提出了AdaPO,这是一种在线强化学习框架,能够根据每个任务的当前训练状态实时自适应调整训练目标。 具体而言,为了缓解奖励劫持,AdaPO引入了一个自适应奖励模型(ARM)和一个奖励感知动态KL正则化机制。 ARM从模型生成的多轮轨迹性能分布中评估任务的训练状态。 奖励感知动态KL用由不同多轮情境之间的奖励差距调节的动态系数替代了固定的惩罚项。 值得注意的是,我们的方法无需人工干预,即可根据子任务的训练进度自动且平滑地调整其学习重点。 在8个基准测试和各种模型上的广泛实验表明,我们的方法显著增强了直接推理和自我评估能力。 我们将发布我们的代码以贡献给社区。
摘要: Self-evaluation, a model's ability to assess the correctness of its own output, is crucial for Large Multimodal Models (LMMs) to achieve self-improvement in multi-turn conversations, yet largely absent in foundation models. Recent work has employed reinforcement learning (RL) to enhance self-evaluation; however, its fixed reward mechanism suffers from reward hacking when optimizing multiple training objectives, leading to model collapse. In this paper we propose AdaPO, an online reinforcement learning framework capable of adaptively adjusting training objective in real time according to the current training state for each task. Specifically, to mitigate reward hacking , AdaPO introduces an Adaptive Reward Model (ARM) and a Reward Aware Dynamic KL Regularization mechanism. ARM assesses the task's training state from the distribution of model generated multi-turn trajectories' performance. Reward Aware Dynamic KL replaces a fixed penalty with dynamic coefficients which is modulated by the reward gap between different multi-turn situations. Notably, our method automatically and smoothly adjusts its learning focus based on sub-tasks' training progress without manual intervention. Extensive experiments over 8 benchmarks and various models show that our method significantly enhances both direct reasoning and self-evaluation capability. We will release our code to contribute to the community.
评论: 17页,9图
主题: 机器学习 (cs.LG) ; 人工智能 (cs.AI)
引用方式: arXiv:2508.09155 [cs.LG]
  (或者 arXiv:2508.09155v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.09155
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Hongcan Guo [查看电子邮件]
[v1] 星期二, 2025 年 8 月 5 日 07:54:01 UTC (2,347 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号