CVPO：通过价值—方差自适应与动态课程学习增强 LLM 强化学习推理能力

英文标题：CVPO: Enhancing LLM Reinforcement Learning Reasoning via Value-Variance Adaptation and Dynamic Curriculum Learning

该论文提出 CVPO，旨在利用价值—方差自适应和动态课程学习提升大语言模型（LLM）的强化学习推理能力。论文指出，强化学习已成为增强 LLM 推理能力的有效方法，但现有方法对生成答案轨迹的反馈精度不足。该研究面向需要优化推理训练流程的开发者与研究人员，探索更精细的反馈机制和课程学习策略。原始摘要内容在提供的文本中被截断，未包含完整实验数据与具体结论。

2.6 KB 2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB