arXiv · cs.AI · Rui Zhu, Yumou Liu, Zhenzhe Zheng, Fan Wu · 8 小时前模型评分42
什么驱动了从零到一的跃迁？诊断并引导 RLVR 中的难题学习
What Drives the Zero-to-One Jump? Diagnosing and Steering Hard-Prompt Learning in RLVR
导读
研究团队提出 NAPO（Negative-Augmented Policy Optimization），一种与 GRPO 结合的方法，通过早期分支驱动信号对未解组中的负样本排序并分配分级优势，在固定 rollout 预算下将 AIME24 的 Pass@256 提升 10.0 分、AIME2025 提升 6.6 分。
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
- “This signal motivates NAPO (Negative-Augmented Policy Optimization), a method integrated with Group Relative Policy Optimization (GRPO) that ranks negatives in unsolved groups via an early-branching driver and assigns graded advantages, injecting informative gradients precisely where standard group-relative updates vanish.”
来源：arXiv · cs.AI · arxiv.org