TACE：两阶段优势与信用估计方法

1. 12:00
   arXiv cs.AI

   TACE：面向多模态 RLVR 的分布奖励校准与预算中性信用分配

   研究团队提出两阶段估计器 TACE，用于改进 GRPO 中的优势估计：第一阶段用一维最优传输映射将奖励标准化为正态分布，第二阶段对轨迹内停止梯度的证据对比做秩校准并归一化 token 权重使均值为一，从而在保持信用总量与符号不变的前提下重新分配信用。作者证明了任务间矩均衡、确定性尾部界及质量守恒等性质，并在多模态推理基准套件上于多数基准取得最强结果，但并非所有设置都占优。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。