提出Sequential-Parallel-Aggregative Reinforcement Learning (Spiral)框架,通过联合训练语言模型使用顺序、并行和聚合三种推理计算原语,有效扩展推理计算性能,相比GRPO显著提升了扩展效率和最终性能。
机构:Stanford
来源:arXiv 2606.23595 | AI4Papers 论文推荐平台