יום ראשון, 4 באוקטובר 2026 LIVE
AI־INFO

כתבה arXiv cs.AI ·

שיפור בתפיסה מתמטית דרך חיפוש מודרך

Improving Math Reasoning through Value-guided Informative Search
APIVIS, פרקטיקה של חיפוש מודרך, משפרת את יכולת השכלה מתמטית של מודלי LLM. היא משלבת תגובות ישירות וחיפוש בתוך קבוצות רולאוט, ומטפלת בסימני למידה כאשר פרסומים קבוצתיים יוצרים סימן למידה חסר.
תקציר מקורי באנגליתarXiv:2610.01080v1 Announce Type: new Abstract: Reinforcement learning with verifiable rewards (RLVR) has substantially improved the mathematical reasoning capabilities of large language models. Recent work introduces search into RLVR rollouts to increase trajectory diversity, but diversity alone does not ensure that the search-induced rollout policy improves upon the current policy. To address this gap, we propose APIVIS, a training-time framework that adapts finite-budget Gumbel search to chunk-level mathematical reasoning. APIVIS combines direct and searched responses within each rollout group, allowing improvements found by search to produce informative relative rewards. It further applies selective supervision to search-improved tokens, preserving a learning signal when uniform group
קרא במקור המקורי