研究提出CLOSEDLOOPGAUSSIAN自适应课程方法改进GRPO

Yuv Raj Pant 等在一篇论文中提出轻量级自适应课程方法 CLOSEDLOOPGAUSSIAN，用于提升大语言模型强化微调（GRPO）的效率。该方法保持由易到难的 Gaussian 采样结构，通过周期性探测各难度下的准确率来动态调节训练进度与采样范围，且不改变奖励函数、模型架构或 GRPO 优化器，代码已开源。 在符号算术推理任务（基于 Countdown）上的实验显示，该方法的精确匹配准确率超过原生 GRPO 和固定开环课程，其中在中等难度区间收益最大。

AI 根据报道生成 · 36 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。