热点事件观察中

研究者提出VPO算法训练模型多样性

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人工智能板块刊出研究，Ryan Bahlous-Boldi等作者提出并发布向量策略优化（VPO）强化学习算法。据该研究，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；其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，训练大语言模型生成在向量奖励空间中侧重不同权衡的解集。报道称该算法面向多样性，旨在提升测试时搜索。目前公开信息仅来自这一篇主报道，未提及后续实验规模、对比基线或第三方复现情况，事件进展停留在算法提出与发布阶段。

AI 根据报道生成 · 2 天前更新

报道时间线

沿着报道，了解事件的不同侧面。

11月6日

13:00
arXiv Artificial Intelligence
Vector Policy Optimization：面向多样性的训练提升测试时搜索
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。

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。