提出PreRL方法直接在预训练空间优化边际分布P(y),并通过理论与实证验证其梯度与条件分布P(y|x)强对齐;发现负样本强化(NSR)能显著提升推理能力,据此提出双空间强化学习(DSRL)策略,先用NSR-PreRL扩展推理视野,再转入标准RL进行细粒度优化,从而有效引导策略进入更优的推理子空间。
机构:腾讯
来源:arXiv 2604.14142 | AI4Papers 论文推荐平台
AI4Papers 是一个以每日 arXiv 论文发现为入口的 AI 科研工作流平台,帮助研究者用最短时间掌握最新 AI/ML 前沿动态。
核心功能完全免费。高级 AI 功能(对比分析、深度研究、灵感工作台)支持自带兼容 API Key(如 OpenAI、通义千问)无限使用。
免费注册 | 使用教程