不改 RL 目标函数提升 5.2%：ADS 做了什么 GRPO 训练 LLM，还在用均匀采样？Johns Hopkins 等机构的 ADS 用双层调度把训练效率拉了上来：语义聚类 簇间自适应 簇内策略边界采样，7 个 benchmark 平均提升 5.2%。关键洞察：太简单的全对、太难的全错，优势都趋零；真正有信息量的是策略\"一半会一半不会\"的题。而且 ADS 不改 RL 目标函数，可以插
5:00
不改 RL 目标函数提升 5.2%：ADS 做了什么 GRPO 训练 LLM，还在用均匀采样？Johns Hopkins 等机构的 ADS 用双层调度把训练效率拉了上来：语义聚类 簇间自适应 簇内策略边界采样，7 个 benchmark 平均提升 5.2%。关键洞察：太简单的全对、太难的全错，优势都趋零；真正有信息量的是策略\"一半会一半不会\"的题。而且 ADS 不改 RL 目标函数，可以插
1 day ago
douyin.com涛涛涛
See more
Static thumbnail place holder