arXiv · cs.CL· Diyi Hu·· 10 天前AI 评分48
ProbePO：用稀疏探针与信用重分配实现无 Critic 的 LLM 强化学习
ProbePO: Sparse Probes, Redistributed Credit for Critic-Free LLM Reinforcement Learning
来源与原文
arXiv · cs.CL
作者：Diyi Hu
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.24515v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
研究者提出 ProbePO，一种无 Critic 的 LLM 强化学习方法，通过无奖励不确定性分数选择部分解答状态、在有限续写预算下估计期望验证器奖励，将 GRPO 的轨迹级优势重分配到 token 层面。在 1.5B-7B 参数的三个 DeepSeekMath 与 Qwen 系列模型上，ProbePO 在 18 组模型-基准对比中的 16 组取得四种方法中最高准确率；对比 VinePPO，在 DeepSeekMath-7B 上六个基准全部领先且端到端训练时间减少 76%。
来源：arXiv · cs.CL · arxiv.org