CERO：RL后训练中自适应调度rollout预算

Yiming Zong 等作者发布论文，提出一种名为 CERO 的在线原始-对偶调度器，用于强化学习后训练中的 rollout 预算分配。 该方法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。作者称，其将问题表述为累积 prompt 曝光的凹代理效用，并据此进行 prompt 准入与预算节奏控制。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。