热点事件持续更新
ReAPO 提升语言模型推理性能
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月23日，Columbia、Yale和UT的研究团队提出了ReAPO（Recursive Adversarial Policy Optimization），这是一种改进语言模型推理性能的方法。该方法从随机最短路视角改GRPO（Gradient-based Random Policy Optimization）为ReAPO，将失败轨迹加入生成过程，并强化成功重试而不奖励先前失败。在Qwen3-0.6B模型上，ReAPO在达到GRPO@2× group / 2× steps峰值准确率时，分别减少了39%和31%的生成token。然而，该方法仅适用于训练线，不适用于T5 EMPO。早先报道中，独立随机rollout或朴素依赖采样是现有错处，而最新报道指出，将失败尝试也当正信用可以强化错误策略。
AI 根据报道生成 · 2 小时前更新
最新进展10月23日 06:05
ReAPO在Qwen3-0.6B模型上显著提升了语言模型推理性能，但仅适用于训练线。报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- Agent Control Flash NewsQwen3 和 OLMo-2 模型上的 ReAPO：改进语言模型推理性能
反直觉：串行重试探索时，若把失败尝试也当正信用，会强化错误策略。现有错处：独立随机 rollout 或朴素依赖采样。作者改动：从随机最短路视角改 GRPO → ReAPO，失败轨迹加生成、成功重试强化且不奖先前失败。硬数字：Qwen3-0.6B 达 GRPO@2× group / 2× steps 峰值准确率时，分别 **39%** 与 **31%** 更少生成 token。可迁移判断：**训练线专用。不要并进 T5 EMPO。**
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。