全部
全部

选一篇,慢慢读

从左侧挑一篇,正文会在这里排成书页。

文章与公开阅读资产

面向搜索增强语言模型的基于证据的信用分配

Reinforcement learning from terminal answer rewards enables search-augmented language models to interleave reasoning and retrieval without step-level annotations, yet outcome supervision assigns identical credit to every search in a trajectory regardless of whether it retrieved useful information. This limitation is es

阅读原文 · Wen Wang, Jindong Wang, Jiahua Bao, Tu Yongsiqi, Yihao Liu, Junwei He, Wenkui Fan

乔木风格重写

向阳乔木 · opencode-go/deepseek-v4.1-flash

搜索增强语言模型的强化学习训练里,有一个长期被忽略的粗糙之处:一个回答轨迹里可能搜了五次,其中一次拿到了关键证据,另外四次是噪音,但只要最终答案对,这五次搜索拿到的奖励完全一样。反过来,如果整组采样全错,组内归一化的优势直接归零,哪怕有的轨迹明明搜到了有用材料。 这篇论文要修的就是这个信用分配问题。 原文链接|PDF|Hugging Face 这篇论文想解决...

  • JK下一篇 / 上一篇
  • S收藏
  • A问 AI
  • I沉浸阅读
  • Esc退出

分享海报

正在生成海报…

主题

字体

开源字体第一次使用时联网下载,只取海报上用到的字。