arXiv：cs.LG（机器学习，全量分类）· Zhiwei Zhang, Huayu Deng, Fei Zhao, Jiayan Fu, Bin Liang, Kam-Fai Wong, Mu Chuan·· 1 天前AI 评分37
ROSS：通过选择性监督从自生成 rollout 中再学习
ROSS: Relearning from Self-Generated Rollouts through Selective Supervision
AI 导读
ROSS 通过保留完整历史轨迹作为上下文、仅对选定的模型生成续写施加损失，让自生成 rollout 中的可复用行为经验通过离线 SFT 继续产生收益，无需额外策略 rollout。
来源：arXiv：cs.LG（机器学习，全量分类） · arxiv.org