提出了一种面向大语言模型强化学习(LLM RL)的采样计算最优分配方法,通过联合优化每问题并行采样数、每批次问题数和迭代步数三个维度,在不同难度问题上发现并验证了可预测的缩放规律,并揭示了其背后机制差异。
机构:CMU
来源:arXiv 2603.12151 | AI4Papers 论文推荐平台