arXiv · Computation and Language· Xiaobing Chen, Zhiqi Pang·· 3 小时前AI 评分37
Residual Advantage：用于可验证奖励强化学习的学生相对教师引导方法
Residual Advantage: Student-Relative Teacher Guidance for RL with Verifiable Rewards
AI 导读
论文提出 Residual Advantage（RA）与 CoRA 方法，将教师—学生概率残差作为有界单步奖励并在学生策略下减去状态值形成优势项，使教师仅在响应内部重新分配信用。
来源：arXiv · Computation and Language · arxiv.org