GDEPO：面向样本高效强化学习的策略优化方法

2026年10月15日，arXiv Artificial Intelligence 刊出由 Zhengqing Yan 等作者提出的 GDEPO（组双动态与等权优势策略优化）方法。报道称，该方法针对 GRPO 在自动定理证明中相对优势估计与二元验证反馈相冲突、以及静态采样会丢弃无效批次的问题，引入三项核心机制：动态补充采样、等权优势与动态额外迭代。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。目前报道仅涉及方法提出与实验验证，未披露后续应用或复现进展。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。