arXiv Artificial Intelligence· Haifeng Qian, David Mosallanezhad, Christian Munley, Adithya Renduchintala, Oleksii Kuchaiev·· 18 小时前AI 评分32
双 rollout 强化学习与基于采样的奖励估计
Double-Rollout Reinforcement Learning with Sampling-based Reward Estimation
AI 导读
针对可验证结果奖励与推理质量不匹配的问题，论文提出 double-rollout 强化学习：截断每条采样 rollout 的推理轨迹，从截断前缀采样多条续写，用续写奖励均值替代原始奖励。
来源：arXiv Artificial Intelligence · arxiv.org