arXiv cs.AI· Haifeng Qian, David Mosallanezhad, Christian Munley, Adithya Renduchintala, Oleksii Kuchaiev·· 8 小时前AI 评分39
双 rollout 强化学习：基于采样的奖励估计提升推理模型准确率与 token 效率
Double-Rollout Reinforcement Learning with Sampling-based Reward Estimation
AI 导读
研究者提出 double-rollout 强化学习，对每条采样 rollout 截断推理轨迹后采样多个续写，用续写奖励均值替代原始奖励，以更稳健地估计推理质量。
来源：arXiv cs.AI · arxiv.org