arXiv Artificial Intelligence· Ryan Bahlous-Boldi, Isha Puri, Idan Shenfeld, Akarsh Kumar, Mehul Damani, Sebastian Risi, Omar Khattab, Zhang-Wei Hong, Pulkit Agrawal·· 2 天前AI 评分36
Vector Policy Optimization：面向多样性的训练提升测试时搜索
Vector Policy Optimization: Training for Diversity Improves Test-Time Search
AI 导读
研究者提出强化学习算法 Vector Policy Optimization（VPO），显式训练策略预判多样化的下游奖励函数并产出多样解。VPO 利用奖励常为向量值的特点，结合多答案提示与集合级奖励，训练 LLM 生成在向量奖励空间中侧重不同权衡的解集。
来源：arXiv Artificial Intelligence · arxiv.org