arXiv Artificial Intelligence· Zhengqing Yan, Fan Guo, Xinyang Liu, Yi Zhang, Yao Liu, Qi Liu, Jihao Huang, Kang Song·· 19 小时前AI 评分22
GDEPO：面向样本高效强化学习的组双动态与等权优势策略优化
GDEPO: Group Dual-dynamic and Equal-right Advantage Policy Optimization for Sample-Efficient Reinforcement Learning
AI 导读
针对 GRPO 在自动定理证明中相对优势估计与二元验证反馈冲突、静态采样丢弃无效批次的问题，GDEPO 提出动态补充采样、等权优势与动态额外迭代三项机制。在 MinF2F-test、MathOlympiadBench 和 PutnamBench 上的实验验证了其有效性，消融研究确认了各组件的协同作用。
来源：arXiv Artificial Intelligence · arxiv.org