VPO：提升解多样性的训练法
bronzeagepapi · x · 2026-07-19
Vector Policy Optimization（VPO）是一种旨在缓解“解的多样性下降”问题的训练方法，这个问题会限制测试时搜索带来的收益。
其训练流程大致是：模型按顺序生成多个候选答案，分别用多个目标和随机化的奖励权重进行评估；然后在每组权重下选出得分最高的方案，再把这些结果做平均，得到一个标量奖励。作者还提到，这种奖励计算方式可以和 GRPO 结合使用。
「研究」频道最新
- Nature 新研究实现全身器官细胞活动成像,揭示跨器官体级回路 — arjunrajlab · 2026-09-11
- SignNet 1M 手语数据集发布 — ducha_aiki · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- InFlux++ 方法发布 — ducha_aiki · 2026-09-11
- Skyfall GS 登场:用 Flux 提升 Gaussian Splatting 精修质量 — ducha_aiki · 2026-09-11
- 一万个智能体能否突破反向传播,找到更好的学习算法 — SeunghyunSEO7 · 2026-09-11