标签
该论文提出 GapFT 这一微调方法，依据模型的 Pass@K 与 Pass@1 之间的差距来筛选训练样本。在 LogiQA 2.0 和 ReClor 上的结果表明，该方法能在大幅减少数据用量（远少于均匀验证式 RFT）的同时，显著提升单样本准确率。
本文提出在LLM后训练中使用进化策略（ES）而非强化学习，表明ES能提升解决方案覆盖率（pass@k），并在数学基准上取得更好结果。