arXiv论文提出SetGRPO：校准评分器不确定性优化GRPO

Jiale Huang 等在 arXiv（2610.36807）发布 Set-Valued Group Relative Policy Optimization（SetGRPO）方法，针对基于评分标准（rubrics）的强化学习中评分器随机性干扰 GRPO 更新的问题。该方法通过联合奖励集校准等模块为训练系数构建联合不确定性集合。论文称，在三个领域的十个开放式基准上，SetGRPO 在 Qwen3.5 和 Llama3.2 两个模型家族上取得所有对比训练方法中最高的宏平均；并在可交换性条件下，对联合系数集提供有限样本边际覆盖及跨候选阈值的同步风险控制。

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。