研究提出TACE两阶段方法改进GRPO优势估计

Lang Chen 等在 arXiv 发布论文，提出面向多模态 RLVR 中 GRPO 优势估计的两阶段方法 TACE，将优势估计分解为样本级基线校准与 token 级信用分配：第一阶段用一维最优传输把奖励标准化到标准正态以抑制重尾与离群值，第二阶段对轨迹内 stop-gradient 证据对比做秩校准与归一化，并保持总信用质量与符号守恒。论文称理论上证明了跨任务矩均衡、尾部界与守恒性质。 在多模态推理评测套件上，TACE 于多数基准取得最优结果，但并非在所有设置下都占优。

AI 根据报道生成 · 45 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。