AI圈报模型发布 / 更新普通
GRPO 强化学习新方法 Never Give Up 提升难题表现
原始标题：An basic idea in scaling RL： Can we allocate more compute to the harder problems？ We did this： If …
内容摘要
针对 GRPO 强化学习在难题上收益有限的问题，研究者提出 "Never Give Up" 方法：当 GRPO 组内所有回答都错误时，以约 0.9 的概率继续采样，以寻找非零梯度的批次，该方法有效。研究将 RL 收益集中在简单题目的现象称为 LLM 强化学习的马太效应，并借助异步 RL 攻克更难问题。
内容分类AI 模型发布与更新
内容层级普通情报
发布时间（北京时间）
本站收录时间（北京时间）
信息来源X：Nathan Lambert (@natolambert)
站内情报编号intel-032d6533564c0e65ca695d91