SCARL 论文提出用置信度对齐重塑 advantage 提升 RLVR 效果
热点事件持续更新
SCARL 论文提出用置信度对齐重塑 advantage 提升 RLVR 效果
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
SCARL（序列置信度对齐强化学习）论文发布，针对 RLVR 中策略置信度与奖励错位的问题，用组内相对置信度与结果之间的对齐差重塑各样本的 advantage（只重塑、不改变符号）。 实验结果：在 Qwen3-4B-Base 上，SCARL 的平均 Pass@32 较 DAPO 提升 2.4 分，在九个算力对齐方法中覆盖率和单次准确率均最佳；跨四个估计器和四个主干在 16 个设置中的 14 个取得提升，同时保持策略熵并缓解熵坍缩，代码已开源。
AI 根据报道生成 · 1 小时前更新
最新进展10月30日 00:38
SCARL：序列置信度对齐强化学习报道时间线
沿着报道，了解事件的不同侧面。
10月30日
- arXiv · cs.AISCARL：序列置信度对齐强化学习
论文提出 SCARL（Sequence Confidence-Aligned Reinforcement Learning），针对 RLVR 中策略置信度与奖励错位的问题，用组内相对置信度与结果之间的对齐差重塑各样本的 advantage。在 Qwen3-4B-Base 上，SCARL 将平均 Pass@32 较 DAPO 提升 2.4 分，在九个算力对齐方法中覆盖率和单次准确率均最佳；跨四个估计器和四个主干在 16 个设置中的 14 个取得提升，同时保持策略熵并缓解熵坍缩，代码已开源。
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。