value-variance

#value-variance

CVPO：通过值方差适应与动态课程学习增强LLM强化学习推理

arXiv cs.CL ↗ · 2026-08-05 缓存

这篇arXiv论文介绍了CVPO，一种针对LLM的强化学习方法，它适应值方差以进行优势估计，并使用动态课程学习来匹配问题难度，在数学任务上取得了比VAPO更好的推理性能。

0 人收藏 0 人点赞