获取独家产品信息，尽享促销优惠！立即订阅，不容错过
* 限···时··优惠
RL for Reasoning by Adaptively Revealing Rationales
我们提出，来自部分专家演示的强化学习（RL）不仅仅是一种训练启发式方法，而且是解决复杂序列生成任务的一个有前景的框架。监督微调（SFT）依赖于密集的真实标签，随着序列长度的增长，其成本也越来越高。另一方面，强化学习则面临着稀疏奖励和组合大输出空间的问题。我们通过引入自适应回溯（AdaBack）来解决这个问题，这是一种按样本课程学习算法，在训练期间仅显示目标输出的部分前缀。该...
