计算机科学 > 机器学习
[提交于 2025年10月2日
]
标题: ExGRPO:从经验中学习推理
标题: ExGRPO: Learning to Reason from Experience
摘要: 从可验证奖励中进行强化学习(RLVR)是一种新兴的范式,用于提高大型语言模型的推理能力。 然而,标准的策略梯度训练在一次更新后会丢弃滚动体验,导致计算效率低下和不稳定。 尽管之前关于强化学习的研究强调了重用过去经验的好处,但经验特征在塑造大型推理模型学习动态中的作用仍鲜有研究。 在本文中,我们首次研究了什么使推理经验有价值,并将滚动正确性和熵作为经验价值的有效指标。 基于这些见解,我们提出了 ExGRPO(经验组相对策略优化),一种组织和优先处理有价值经验的框架,并采用混合策略目标来平衡探索与经验利用。 在五个主干模型(1.5B-8B参数)上的实验表明,ExGRPO在数学/通用基准测试中持续提高了推理性能,相对于策略梯度RLVR平均提升了+3.5/7.6分。 此外,ExGRPO在更强和更弱的模型上稳定了训练,而策略梯度方法在此类模型上失败。 这些结果突显了有原则的经验管理是高效和可扩展RLVR的关键要素。
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.