RIPO 指出 PPO-Clip 的欧氏度量压垮了 LLM 强化学习探索
GenSI · hf · 2026-07-23
RIPO 认为 PPO-Clip 的问题是几何度量错了
这篇论文把 LLM 强化学习里的 exploration collapse 归因于一个更基础的问题：PPO-Clip 用的是欧氏度量来衡量策略差异，但策略更新实际更适合放在 Riemannian manifold 的几何结构下理解。作者认为，这种几何不匹配会让低概率区域的更新过于保守、高概率区域又过于激进，最终压缩探索空间。
方法：Riemannian Isometric Policy Optimization
- 提出 RIPO，核心目标是在 Riemannian manifold 上做等距策略更新。
- 通过这种方式平衡 探索/利用，并改善优化中的 bias-variance trade-off。
实验结果
- 在 7 个竞赛级基准上评估。
- 论文称，相比现有 LLM RL 算法有明显提升；在 AIME24 上对 GRPO 的提升最高可达 60%。
论文的核心观点是：PPO-Clip 的瓶颈不只是调参或启发式不足，而是目标函数本身存在更深层的几何错配。
所属事件:新研究指 PPO-Clip 抑制探索，RIPO 促大模型性能提升(2 条相关)→
「研究」频道最新
- Nature Physics 论文：可重构折射率实现对多模波传播的任意控制 — MarioKrenn6240 · 2026-10-27
- Wakaru 开源 ontologize:用模型激活为数据集自动生成本体标签 — amplifiedamp · 2026-10-27
- EMNLP Oral 论文用跨层转码器揭示 LLM 多语言共享表征机制 — ZhijingJin · 2026-10-27
- Ethan Mollick用GPT-6 Pro复刻研究：GTA V发售与多地暴力犯罪下降相关 — emollick · 2026-10-27
- OpenAI战略探索负责人访谈：从 Stanford 博退学到扩散LM与o1之路 — aaron_lou · 2026-10-27
- CLT-Forge 开源:训练跨层转码器解码 LLM 计算图 — ZhijingJin · 2026-10-27