arXiv Artificial Intelligence· Vatsal Venkatkrishna, Nico Carlsen Daheim, Iryna Gurevych·· 2 天前AI 评分31
通过变分学习实现 RLVR 的参数空间探索：3PO 方法
Parameter Exploration for RLVR via Variational Learning
AI 导读
研究者提出 Perturbed Parameter Policy Optimization（3PO）系列方法，从后验中采样不同策略生成 rollout，在参数空间而非动作空间控制探索。
来源：arXiv Artificial Intelligence · arxiv.org