arXiv · cs.CL· Shuo Shen·· 17 小时前AI 评分32
S3AC：面向 LLM 推理的稳定、选择性、可扩展 Actor-Critic 方法
S3AC: Stabilized, Selective, and Scalable Actor-Critic for LLM Reasoning
来源与原文
arXiv · cs.CL
作者：Shuo Shen
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/2610.35518v1
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 S3AC（Stabilized, Selective, and Scalable Actor-Critic），为 LLM 推理的 RLVR 训练引入实用的 critic 训练方案，提供 token 级优势和 prompt 级基线，并配套 Difficulty-Aware Prompt Sampling（DAPS）减少 rollout 浪费。该方法在 1.5B 到 397B 参数的稠密和 MoE 模型上优于 GRPO 变体 GRPO-X，35B 规模下可维持单 rollout 训练，而测试的无 critic 基线在初期提升后退化。
来源：arXiv · cs.CL · arxiv.org