跳到正文
热点事件观察中

3PO：参数空间探索改进LLM强化学习

1 篇报道1 个报道来源2 天前更新

先了解这件事

AI 综述

2026年11月6日，arXiv Artificial Intelligence 刊出 Vatsal Venkatkrishna 等作者的论文，提出 Perturbed Parameter Policy Optimization（3PO）方法族，用于在带可验证奖励的强化学习（RLVR）中改进大语言模型训练。据该文，3PO 从后验中采样不同策略来生成 rollout，把探索控制在参数空间而非动作空间；方法族内包含不同的采样策略与不同的 rollout 分组方式，用于奖励估计。报道未给出实验设置、对比基线或具体效果数据，也未说明该方法适用的模型规模、训练阶段或算力条件。目前该工作处于论文发布阶段，尚无后续跟进报道，其实际效果与可复现性有待进一步验证。

AI 根据报道生成 · 2 天前更新

最新进展11月6日 13:00
通过变分学习实现 RLVR 的参数空间探索：3PO 方法

报道时间线

沿着报道，了解事件的不同侧面。

11月6日
  1. arXiv Artificial Intelligence
    通过变分学习实现 RLVR 的参数空间探索：3PO 方法

    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。

本事件热度走势

可比范围当前
3
可比范围峰值
711月7日 03:00
近 24 小时变化
-49%

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。