יום שישי, 9 באוקטובר 2026 LIVE
AI־INFO

כתבה arXiv cs.AI ·

למידה מפתרונות עצמם: תזוזה-מותאמת-לעצמה להחלטת זכויות ללמידת רפלקסיה עם תגמולים ניתנים לוודאות

Learning from Own Solutions: Self-Conditioned Credit Assignment for Reinforcement Learning with Verifiable Rewards
הצעה להחלטת זכויות עצמאית ללמידת רפלקסיה, המשתמשת בפתרונות עצמם של המודל. זאת כדי להקטין את ההשפעה של טקסט רגיל ולעודד פעילות רפלקסיבית. הצעה זו נבדקה בחמש תחומי ניסוי, והיא הציגה תוצאות טובות יותר מאשר גרסאות קודמות.
תקציר מקורי באנגליתarXiv:2606.18810v2 Announce Type: replace-cross Abstract: Reinforcement learning with verifiable rewards (RLVR) has driven substantial progress in training LLMs for reasoning tasks, but representative methods such as GRPO assign uniform credit across all tokens, wasting gradient on routine tokens while under-crediting pivotal reasoning steps. Existing token-level credit assignment methods require resources beyond the model's own rollouts. GRPO variants rely on process reward models or ground-truth answers. Knowledge distillation assigns credit through per-token divergence but requires external teachers (On-Policy Distillation) or privileged information (On-Policy Self Distillation). However, these dependencies limit applicability in the pure RLVR setting. We observe that conditioning the m
קרא במקור המקורי