热点事件持续更新

EEPO用采样后遗忘缓解RLVR多样性坍缩

1 篇报道1 个报道来源7 小时前更新

先了解这件事

AI 综述

Burkov介绍了一篇研究可验证奖励强化学习（RLVR）多样性坍缩问题的文章，并提出探索增强策略优化方法EEPO。该方法在训练 rollout 中采用自适应的“采样后遗忘”干预，试图打断模型反复强化少数高概率解法、陷入局部最优的循环，以提升探索能力和分布外推理泛化效果。目前报道呈现的是方法及其预期用途，尚未提供其在具体任务中改善训练效果或泛化能力的实测结论。

AI 根据报道生成 · 6 小时前更新

最新进展11月13日 11:20

EEPO 用「采样后遗忘」干预破解 RLVR 训练中的多样性坍缩

报道时间线

沿着报道，了解事件的不同侧面。

11月13日

11:20
AGI Hunt
EEPO 用「采样后遗忘」干预破解 RLVR 训练中的多样性坍缩
Burkov 介绍了一篇针对 RLVR 训练多样性坍缩问题的文章及 EEPO（Exploration-Enhanced Policy Optimization）方法。EEPO 采用自适应的“sample-then-forget” rollout 干预，打破模型反复强化少数高概率解法、陷入局部最优的循环，旨在提升探索效果并改善分布外推理泛化能力。

本事件热度走势

可比范围当前: 9
可比范围峰值: 1011月13日 12:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。