ExpDis框架解耦RLVR探索与优化
热点事件持续更新
ExpDis框架解耦RLVR探索与优化
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
研究者 Saif Punjwani 与 Micah Goldblum 发表论文，提出 Exploration-Distillation（ExpDis）框架，把 RLVR 中的探索与优化拆成两步：先用带新颖性奖励的 explorer 策略采样，过滤掉轨迹的正确性与质量不合格部分，再蒸馏给一个独立的 student 策略。 学生策略随后在不带新颖性奖励的情况下训练，两个阶段多轮交替进行。研究者称，这一解耦设计是相对于原有将探索与优化合一的 RLVR 做法的核心变化。
AI 根据报道生成 · 58 分钟前更新
最新进展10月8日 12:00
ExpDis：将探索与优化解耦的 RLVR 框架报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv：cs.CLExpDis：将探索与优化解耦的 RLVR 框架
研究者提出 Exploration-Distillation（ExpDis）框架，将 RLVR 中的探索与优化解耦：先用带新颖性奖励的 explorer 策略采样，过滤轨迹的正确性与质量后蒸馏到独立 student 策略，student 再以无新颖性奖励训练，并多轮交替进行。
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。