arXiv Artificial Intelligence· Zehao Wang, Hanzhu Chen, Runquan Gui, Zhe Wang, Lin Yang·· 19 小时前AI 评分22
PICO：面向难题推理的策略兼容联合解码方法
When All Rollouts Fail: Policy-Compatible Joint Decoding for Hard-Problem Reasoning
AI 导读
针对 RLVR 在模型当前能力之外的难题上因全部 rollout 失败导致 GRPO、RLOO 等组相对估计器优势归零的学习悬崖，研究者提出 Policy-Compatible Reinforcement Learning（PICO）。
来源：arXiv Artificial Intelligence · arxiv.org