GEPO 用组熵改造 GRPO，在 13 项基准上更稳更强
internlm · hf · 2026-07-21
这项工作做了什么
GEPO 是对 GRPO 的一个轻量扩展，目标是解决 LLM 强化学习里不同任务组熵分布不一致的问题。
核心思路
- 在混合任务上做 RL 时，不同 prompt 组往往处于不同的熵区间，单纯做全局或 token 级熵控制不够。
- GEPO 直接利用已有分组样本估计组熵，再做熵条件化的非对称优势塑形。
- 对低熵组的正优势做衰减，避免过度利用；对高熵组的负优势做保留，维持探索。
- 阈值由历史熵统计自适应给出。
实验结论
作者在两个基础模型、13 个基准上测试，覆盖数学、物理、科学、代码生成和指令跟随。结果显示 GEPO 相比 GRPO 和近期熵控制方法更稳定地带来跨任务提升，同时保持了各任务的探索水平。
「研究」频道最新
- Qwen3.8-Flash-Next 开源 180B 权重，被视为后门研究理想样本 — jd_pressman · 2026-10-27
- Latent-Foresight:让世界模型学着预判自己的未来 — abursuc · 2026-10-27
- 英国 AISI 发文：现有手段不足以防生物 AI 工具被滥用 — davidmanheim · 2026-10-27
- CMU 发布 XYBench:LLM 只答字面问题,常无视用户真实需求 — valentina__py · 2026-10-27
- arXiv 前主席提示:投稿主分类选错,论文几乎必被搁置 — tdietterich · 2026-10-27
- arXiv 积压超 4000 篇论文被搁置，版主致歉并给出避坑建议 — tdietterich · 2026-10-27