研究者提出GVPO后训练方法
热点事件持续更新
研究者提出GVPO后训练方法
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
研究者提出分组方差策略优化（GVPO）后训练方法，将KL约束奖励最大化的解析解直接嵌入梯度权重，使梯度与最优策略对齐。作者称，GVPO保证存在唯一最优解且恰为该目标，并支持灵活采样分布，规避on-policy与重要性采样的限制。 该工作已被NeurIPS 2025接收，扩展版GVPO++另覆盖on-policy蒸馏。
AI 根据报道生成 · 54 分钟前更新
最新进展10月19日 12:00
GVPO：面向大语言模型后训练的分组方差策略优化报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv cs.AIGVPO：面向大语言模型后训练的分组方差策略优化
研究者提出分组方差策略优化（GVPO），将 KL 约束奖励最大化的解析解直接嵌入梯度权重，使梯度与最优策略对齐。GVPO 保证存在唯一最优解且恰为 KL 约束奖励最大化目标，并支持灵活采样分布，规避 on-policy 与重要性采样的限制。该工作已被 NeurIPS 2025 接收，扩展版 GVPO++ 另覆盖 on-policy 蒸馏。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。