Tag
该论文提出将少量专家(SME)评判转化为密集奖励信号,并与检索指标结合成适用于GRPO的混合奖励,以解决非可验证领域(如金融服务检索)中稀疏奖励导致的梯度消失问题,实验显示Recall@3提升最多6%、MRR@3提升6.7%。
LongR 是一个统一框架,通过将“Think-and-Read”动态机制与基于相对信息增益的上下文密度奖励相结合,提升 LLM 的长上下文推理能力,在 LongBench v2 上取得超过 9% 的提升,并在 RULER 和 InfiniteBench 上保持一致改进。
This paper introduces G2QDR, a framework that leverages directed state graphs to generate dense rewards for goal-conditioned hierarchical reinforcement learning, enhancing performance in sparse reward environments.