arXiv · cs.AI· Wei Chen·· 13 天前AI 评分51
HP-RLVR：无需组采样的单 rollout token 级信用分配方法发布于 arXiv
Hindsight-Privileged RLVR: Single-Rollout Token Credit Without Group Sampling
来源与原文
arXiv · cs.AI
作者：Wei Chen
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/2610.20497v1
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
Wei Chen 等人在 arXiv 发布 HP-RLVR（Hindsight-Privileged RLVR），用已完成轨迹自身的未来信息生成 token 级更新权重，替代 GRPO 的组采样。方法对每个 token 在因果历史与含验证器反馈的后见上下文两种视角下打分，以归一化 Jensen-Shannon 散度加权奖励，成功与失败轨迹都有有界信用，无需参考答案或 critic。在共享 100 步 schedule 的 Qwen3-8B 配对实验中，HP-RLVR 在数学、代码生成和 ALFWorld 上分别比 GRPO 快 1.21x、1.46x 和 2.30x，每 prompt rollout 用量为八分之一；总体准确率相当，数学上 HP-RLVR 领先，代码与 ALFWorld 上 GRPO 领先。
来源：arXiv · cs.AI · arxiv.org