研究者提出StepRS-GRPO扩散语言模型强化学习方法

1. 12:00
   arXiv cs.AI

   StepRS-GRPO：面向扩散语言模型的分步风险敏感 GRPO 方法

   研究者提出 StepRS-GRPO，一种在去噪状态间动态调整组优势变换风险系数的强化学习方法，用于扩散大语言模型（dLLM）。在多个 dLLM 骨干和数学推理基准上，该方法相比 centered GRPO 同时提升 pass@1 准确率与 pass@k 覆盖率，并增加答案多样性。消融实验显示，状态分配与调度方向的贡献在将优势 RMS 与 centered GRPO 匹配后依然成立。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。