跳到正文
热点事件持续更新

研究者提出S3AC方法为LLM推理引入critic训练方案

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

Shuo Shen 等研究者发布论文，提出 S3AC（Stabilized, Selective, and Scalable Actor-Critic），为 LLM 推理的 RLVR 训练引入一套实用的 critic 训练方案，提供 token 级优势和 prompt 级基线。论文称该方法在 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；作为对照的测试中，无 critic 基线在初期提升后出现退化。 该工作还配套提出 Difficulty-Aware Prompt Sampling（DAPS），用于减少 rollout 浪费。

AI 根据报道生成 · 2 小时前更新

最新进展10月26日 22:38
S3AC：面向 LLM 推理的稳定、选择性、可扩展 Actor-Critic 方法

报道时间线

沿着报道，了解事件的不同侧面。

10月26日
  1. arXiv · cs.CL
    S3AC：面向 LLM 推理的稳定、选择性、可扩展 Actor-Critic 方法

    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。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。