GDEPO：自动定理证明的强化学习新方法

研究者提出一种名为 GDEPO 的强化学习策略优化方法，用于自动定理证明。据作者称，该方法针对 GRPO 在自动定理证明中相对优势估计与二元验证反馈相冲突、静态采样丢弃无效批次造成数据浪费的问题，引入动态补充采样、等权优势（将优势函数的符号与幅度解耦）和动态额外迭代三项机制，以提高数据利用率。 作者称在 MinF2F-test、MathOlympiadBench 和 PutnamBench 上的实验验证了该方法的有效性，消融研究显示各组件协同作用。

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。