WAS-PO：相关性感知优势聚合，训练奖励升准确率未升
热点事件持续更新
WAS-PO：相关性感知优势聚合，训练奖励升准确率未升
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
Olaitan Olaleye等作者提出WAS-PO，一种用奖励相关矩阵逆平方根对归一化优势做白化再加权求和的多奖励强化学习优势聚合方法；作者称这样可避免相关奖励的共享波动被重复计入，并报告其训练奖励高于GDPO，但未转化为留出准确率优势。 在Qwen2.5-1.5B-Instruct工具调用任务上，三奖励、七个随机种子的平均训练奖励比GDPO高3.8%，四奖励、三个种子高3.9%。该方法还把GDPO的逐提示归一化改为批级归一化，两项改动未单独区分。
AI 根据报道生成 · 3 小时前更新
最新进展11月3日 13:00
WAS-PO：面向多奖励强化学习的相关性感知优势聚合方法报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv · cs.AIWAS-PO：面向多奖励强化学习的相关性感知优势聚合方法
WAS-PO 先用奖励相关矩阵的逆平方根对归一化优势做白化再加权求和，避免相关奖励的共享波动被重复计入。在 Qwen2.5-1.5B-Instruct 的工具调用任务上，三奖励下七个随机种子的平均训练奖励均高于 GDPO（高 3.8%），四奖励下三个种子高 3.9%，但训练奖励提升未转化为留出准确率优势。该方法同时把 GDPO 的逐提示归一化改为批级归一化，两项改动未单独区分。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。