arXiv·· 12 天前AI 评分27
Rationale-Guided Policy Optimization：用自适应理由脚手架学习推理
Rationale-Guided Policy Optimization: Learning to Reason with Adaptive Rationale Scaffolding
AI 导读
针对 on-policy 强化学习中奖励稀疏导致模型在难题上停滞的问题，研究者提出 Rationale-Guided Policy Optimization，通过自适应理由脚手架引导模型学习推理。现有方法依赖 off-policy 演示、专家轨迹或模型生成解答，且通常要求辅助数据与强化学习任务格式匹配。
来源：arXiv · arxiv.org