热点事件持续更新

提出RoAR方法：用rollout一致性信号改进GRPO推理训练

1 篇报道1 个报道来源22 小时前更新

先了解这件事

AI 综述

Sohyun Son 等在 arXiv 论文（arXiv:2610.34951）中提出 RoAR（Rollout-Agreement Reward），在 GRPO 对已验证正确 rollout 的奖励中加入推理层面的一致性信号，无需人工理由、额外采样或单独训练的过程评估器，代码已公开。论文报告的实验结果：126 对盲测配对分析显示，低一致性正确轨迹的伪推理比例为 35%，高于高一致性的 22%；1.5B GRPO-RoAR 模型用 7K 训练样例，在五个数学推理基准上零样本平均 pass@1 达 55.5%，比 GRPO 和 GRPO-CARE 分别高 6.0 和 5.5 个百分点，盲审中伪推理率为 18%，低于 GRPO 的 32%、GRPO-CARE 的 27% 和 DRA-GRPO 的 37%。

AI 根据报道生成 · 1 小时前更新

最新进展10月26日 15:19

RoAR：用 rollout 一致性改进 GRPO 的推理训练

报道时间线

沿着报道，了解事件的不同侧面。

10月26日

15:19
arXiv · cs.CL精选
RoAR：用 rollout 一致性改进 GRPO 的推理训练
论文提出 RoAR（Rollout-Agreement Reward），在 GRPO 对已验证正确 rollout 的奖励中加入推理层面的一致性信号，无需人工理由、额外采样或单独训练的过程评估器。126 对盲测配对分析显示低一致性正确轨迹的伪推理比例为 35%，高于高一致性的 22%。1.5B GRPO-RoAR 模型用 7K 训练样例在五个数学推理基准上零样本平均 pass@1 达 55.5%，比 GRPO 和 GRPO-CARE 分别高 6.0 和 5.5 个百分点，盲审中伪推理率为 18%，低于 GRPO 的 32%、GRPO-CARE 的 27% 和 DRA-GRPO 的 37%，代码已公开。

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。