arXiv cs.AI· Pengxin Guo, Shuang Zeng, Zonggen Li, Weiying Zheng, Mengting Liu, Liangqiong Qu·· 3 小时前AI 评分22
Fed-GRPO：奖励信号驱动的联邦群组相对策略优化
Fed-GRPO: Reward-Signal-Driven Federated Group Relative Policy Optimization
AI 导读
Fed-GRPO 是一个联邦 GRPO 训练框架，让 LLM 在不共享原始数据的前提下协同进行推理训练，并利用 GRPO 训练中自然产生的奖励统计作为零成本信号。它包含信号加权聚合、全局奖励校准和自适应稀疏通信三种机制，在数学推理任务上性能优于 FedAvg 并接近集中式训练，同时无损减少 32 倍通信量，在紧张带宽预算下支持最高 621 倍压缩且精度仅温和下降。
来源：arXiv cs.AI · arxiv.org