VSR：面向可验证奖励强化学习的方差最优状态重采样

2026年10月15日，arXiv Artificial Intelligence 刊出论文《VSR：面向可验证奖励强化学习的方差最优状态重采样》，作者为 Yibo Wang、Yuanxin Liu、Zhaoran Wang。论文针对可验证奖励强化学习中大量 rollout 预算被消耗在无学习信号状态的问题，提出方差最优的状态采样分布，得到闭式 Neyman 分配 μ_var^π(s) ∝ d^π(s)σ_π(s)，并与 GRPO 的组相对优势自然衔接，随策略提升自发形成逆向课程。在此基础上，作者提出 VSR（Variance-driven State Resampling），作为对 GRPO 的插件式修改，使用前缀回放缓冲区与零成本方差代理。截至本综述更新，尚无后续跟进报道，事件进展以该论文所述内容为准。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。