跳到主要内容
检索

# 时间信用分配

2 篇关联报道

订阅更新
  1. arXiv

    奖励不再只归功于最近的动作：让语言模型解释结果，延迟奖励也能追到源头

    一种把延迟奖励按“解释”而非时间远近重新分配的信用分配框架，在Crafter、WordCraft、KuaiRand和工业级生成式推荐器上，把稀疏终端奖励的学习信号追回到数百步之前真正起作用的动作。

    University of Cambridge
    Oriol Corcoll（第一作者）
    解释性世界模型时间信用分配保守分层奖励再分配算子强化学习推荐系统
  2. arXiv

    DCSD把自蒸馏的信用方向与幅度拆开：11个基准总体最优，数学推理较基座提升8.45分

    该工作提出解耦信用自蒸馏（DCSD），用信念边际探测确定每步推理的信用方向、用边际信息增益量化其贡献幅度，再让特权教师只负责步内token分配，在11个数学与多模态推理基准上总体得分优于GRPO、OPSD、RLSD与RLCSD，相比基座模型数学推理总体提升8.45分、多模态推理提升7.01分，并纠正约6% token的信用方向、使token信用幅度降低约1.5倍。

    University of North TexasAdelaide UniversityCurtin UniversityThe University of Sydney
    Yugu Li（第一作者）
    解耦信用自蒸馏信念边际探测边际信息增益在线策略自蒸馏时间信用分配

已读完全部报道