视频GRPO训练存在循环偏好，研究者提出新方法
热点事件持续更新
视频GRPO训练存在循环偏好，研究者提出新方法
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
研究者 Xinrui Lin 等提出名为 Reliability-Anchored Preference Walk 的视频 GRPO 优势聚合方法，用于处理成对偏好反馈中的循环偏好问题。该方法通过可靠性引导的偏好游走，在胜率给出的全局偏好信号之外，引入循环偏好图中的可靠关系证据。 研究者在审计 6,976 个 on-policy 比较图后发现，循环偏好普遍存在，并贯穿训练全程。
AI 根据报道生成 · 3 小时前更新
最新进展10月15日 12:00
视频 GRPO 中的成对偏好循环：可靠性锚定的偏好游走方法报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv cs.CV视频 GRPO 中的成对偏好循环：可靠性锚定的偏好游走方法
针对视频生成模型 GRPO 训练中成对偏好反馈普遍存在循环偏好的问题，研究者审计了 6,976 个 on-policy 比较图，发现循环偏好普遍存在且贯穿训练全程。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1010月15日 13:00
- 近 24 小时变化
- –
02.557.510
13:0014:0015:00
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。