计算机科学 > 计算与语言
[提交于 2026年1月8日
]
标题: GDPO:多奖励RL优化的组奖励解耦归一化策略优化
标题: GDPO: Group reward-Decoupled Normalization Policy Optimization for Multi-reward RL Optimization
摘要: 随着语言模型的能力不断增强,用户期望它们不仅能提供准确的回答,还能在各种场景中表现出与多样化人类偏好一致的行为。 为了实现这一目标,强化学习(RL)流程开始结合多个奖励,每个奖励捕捉一种不同的偏好,以引导模型朝着这些期望的行为发展。 然而,最近的研究在多奖励设置下默认应用了组相对策略优化(GRPO),而没有检验其适用性。 在本文中,我们证明了直接将GRPO应用于不同的回放奖励组合会导致它们坍缩为相同的优势值,降低了训练信号的分辨率,导致训练信号次优收敛,有时甚至导致早期训练失败。 随后,我们引入了组奖励解耦归一化策略优化(GDPO),这是一种新的策略优化方法,通过解耦单个奖励的归一化来解决这些问题,更忠实地保留它们的相对差异,并实现更精确的多奖励优化,同时显著提高了训练稳定性。 我们在三个任务中将GDPO与GRPO进行了比较:工具调用、数学推理和编码推理,评估了正确性指标(准确性、错误率)和约束遵循指标(格式、长度)。 在所有设置中,GDPO始终优于GRPO,证明了其在多奖励强化学习优化中的有效性和通用性。
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.