计算机科学 > 机器学习
[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
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。
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.