arXiv cs.LG· Yiming Zong, Yige Wang, Xing Hu, Jiashuo Jiang, Zuo-Jun Max Shen·· 6 小时前AI 评分22
CERO：RL 后训练中如何分配 rollout 预算
CERO: Where and When to Allocate Rollouts for RL Post-Training
AI 导读
针对 group-relative 强化学习后训练，CERO 提出一种在线原始-对偶调度器，不再按每次更新固定分配 rollout 预算，而是自适应决定选取哪些 prompt、跨轮重复频率以及每轮生成多少 response group。
来源：arXiv cs.LG · arxiv.org