ReAPO 论文:RLVR 中让模型在失败后重试,推理成绩与训练效率双升
jasondeanlee · x · 2026-10-23
新论文提出 Retry-Aware Policy Optimization（ReAPO）：在 RLVR 训练中让语言模型在失败尝试后进行重试，并以失败为条件约束重试，从而改进探索效率。结果显示 ReAPO 相比 GRPO 在准确率和训练效率上均有提升，说明「失败驱动的重试机制」是提升推理能力训练的一个有效杠杆。论文由硕士生 Nghi Dao 主导，Adam Block 等合作。
「研究」频道最新
- 实验者用 RL 训练布尔逻辑语言模型，单核前向仅数微秒 — cephaloform · 2026-10-23
- AI 揭穿阴谋论研究风波落幕：Science 撤回关注声明，结论不变 — DG_Rand · 2026-10-23
- Embodied First Exam：一行代码在 44 台机器人上考你的 Agent — ManlingLi_ · 2026-10-23
- Anima Anandkumar 演讲：AI 气象模型胜超算，但不会取代科学家 — AnimaAnandkumar · 2026-10-23
- GLM-5.3-Flash 实现 1M token 上下文训练，较基线提升 64 倍 — AndrewLBeam · 2026-10-23
- 作者用布尔逻辑造 LM:前向传播单线程仅需几微秒但训练极慢 — cephaloform · 2026-10-23