提出向量策略优化算法VPO提升测试时搜索效果
热点事件持续更新
提出向量策略优化算法VPO提升测试时搜索效果
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
研究人员提出强化学习算法 Vector Policy Optimization（VPO），利用奖励的向量特性（如代码生成中逐测试用例的正确性），结合多答案提示与集合级奖励，训练大语言模型产出针对不同权衡的多样化解。这是其论文中的自称说法。 论文报告称，在四个任务上，VPO 在 pass@k、best@k 等测试时搜索指标上达到或超过最强标量 RL 基线，且搜索预算越大差距越大；在演化搜索中，VPO 模型能解开 GRPO 模型完全无法解决的问题。
AI 根据报道生成 · 1 小时前更新
最新进展11月6日 13:00
Vector Policy Optimization：训练多样性提升测试时搜索效果报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv cs.AIVector Policy Optimization：训练多样性提升测试时搜索效果
VPO（Vector Policy Optimization）是一种强化学习算法，利用奖励的向量特性（如代码生成的逐测试用例正确性），结合多答案提示与集合级奖励，训练 LLM 产出针对不同权衡的多样化解。在四个任务上，VPO 在 pass@k、best@k 等测试时搜索指标上达到或超过最强标量 RL 基线，且搜索预算越大差距越大；在演化搜索中，VPO 模型能解开 GRPO 模型完全无法解决的问题。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。