arXiv · cs.AI· Yiming Zong·· 20 天前AI 评分39
CERO：面向 RL 后训练的 rollout 预算分配调度方法
CERO: Where and When to Allocate Rollouts for RL Post-Training
来源与原文
arXiv · cs.AI
作者：Yiming Zong
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/2610.09679v1
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
论文提出 CERO，一种在线原始-对偶调度器，用于在强化学习后训练的整个训练周期内协调有限的 rollout 预算，自适应决定选取哪些 prompt、重访频率及每轮生成组数。在匹配训练响应预算下，CERO 在三个 backbone、五个数学推理 benchmark 上均取得最高 avg@16 宏平均，多种子消融验证了自适应 pacing 相对均匀和预设花费策略的收益。
来源：arXiv · cs.AI · arxiv.org