并非所有熵都相等:具有可验证奖励的强化学习中的奖励条件熵分配
原文:Not All Entropy Is Equal: Reward-Conditioned Entropy Allocation in Reinforcement Learning with Verifiable Rewards
策略熵被广泛用于诊断具有可验证奖励的强化学习(RLVR)中的探索和崩溃,但其大小并不能一致地跟踪跨优化目标的推理性能。我们认为,这种模糊性的出现是因为全局令牌熵将成功和失败轨迹的不确定性、正确解决方案策略的多样性以及
正在把原文抓到本机服务器…首次约 3~8 秒,抓好后本站永久缓存,下次秒开。
抓不到时可直接看原文(部分站点需要登录/反爬,服务器也无法抓取)。
正文由本站服务器抓取保存(已自动过滤广告、推荐位与追踪图片),排版与原站可能不同;版权归原站所有。