arXiv · Artificial Intelligence· Hoang Phan, Minh Pham, Chau Pham, Chinmay Hegde, Trung Le, Qi Lei·· 3 小时前AI 评分39
Rationale-Guided Policy Optimization：用自适应理由脚手架学习推理
Rationale-Guided Policy Optimization: Learning to Reason with Adaptive Rationale Scaffolding
AI 导读
研究者提出 Rationale-Guided Policy Optimization（RGPO）框架，按模型当前能力自适应利用 ground-truth 理由信息，同时保留探索自由。
来源：arXiv · Artificial Intelligence · arxiv.org