arXiv · cs.AI· Jiale Huang·· 20 小时前AI 评分38
SetGRPO：校准评分器引起的策略优化
SetGRPO: Calibrating Grader-Induced Policy Optimization
来源与原文
arXiv · cs.AI
作者：Jiale Huang
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/2610.36807v1
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
arXiv 论文提出 SetGRPO（Set-Valued Group Relative Policy Optimization），解决基于评分标准的强化学习中评分器随机性改变 GRPO 更新的问题。方法包含联合奖励集校准、几何引导安全恢复和选择性风险门控优化三个模块，在可交换性下提供有限样本边际覆盖与同步风险控制。在覆盖三个领域的十个开放式基准上，SetGRPO 在 Qwen3.5 和 Llama3.2 模型族的宏平均中均居所有对比训练方法之首。
来源：arXiv · cs.AI · arxiv.org