推文

@kafkaup · 2026-10-17 03:19

📄 Decoupling Exploration from Optimization in RLVR 概述：作者提出ExpDis框架，将RLVR中的探索与优化解耦，通过新颖性激励的探索策略筛选轨迹后蒸馏给独立的学生策略，声称在性能和解答多样性上优于DAPO。 核心贡献：作者提出将探索（通过新颖性激励的探索策略）与优化（通过蒸馏到独立学生策略）在RLVR中显式解耦的新框架ExpDis，从而可大幅加强探索而不损害最终策略质量。 实验结果：作者报告称，在相同墙钟时间预算下，ExpDis在七个数学推理基准和两个模型家族上均优于DAPO，并观察到pass@k指标提升，但摘要未给出具体数值结果。

曝光 148 · 评论 1 · 点赞 2 · 书签 1