arXiv · cs.AI · Chu-Cheng Lin, Eugene Ie · 9 小时前模型评分41
模型该多快投入监督训练？Tsallis 损失连续体上的推理模型训练方法
How Fast Should a Model Commit to Supervision? Training Reasoning Models on the Tsallis Loss Continuum
导读
研究者提出基于 Tsallis q-对数的一族损失函数 J_Q，在强化学习可验证奖励（RLVR，Reinforcement Learning with Verifiable Rewards）与潜轨迹对数边际似然之间连续插值，并推导出无需标注推理过程和外部验证器的两种蒙特卡洛估计方法 GARL 与 PAFT。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “Using the Tsallis $q$-logarithm, we define a loss family $J_Q$ that interpolates between RLVR (at $q{=}0$, the exploitation pole) and the log-marginal-likelihood over latent trajectories (at $q{=}1$, the density-estimation pole).”
来源：arXiv · cs.AI · arxiv.org