hard-problems

本文介绍了AdaPrefix-GRPO，一种在GRPO训练期间自适应控制提供给模型的正确解决方案前缀长度的方法，保持50%的成功率以最大化梯度信号。它在显著提高困难数学推理问题准确率的同时降低了计算成本。

一种使用Qwen-35B-A3B动态分配计算预算给困难问题的方法，在HLE基准测试上达到了接近GPT-5.4-xHigh的性能。