VPO：以多样性强化学习训练提升测试时搜索

Ryan Bahlous-Boldi 等作者提出向量策略优化（VPO），一种显式训练策略预期多样化下游奖励函数并产出多样解的强化学习算法。该工作称，VPO 利用实践中奖励常为向量值的特点，结合多答案提示与集合级奖励，训练大语言模型生成在向量奖励空间不同权衡上专精的解集，以提升测试时搜索效果。 目前结论来自论文自身的提出与验证，报道未给出与其他方法的独立对比结果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。