会员服务
Self-Distilled Reasoner: On-Policy Self-Distillation for Large Language Models
Arxiv
0+阅读 · 3月20日
Distributional Off-Policy Evaluation with Deep Quantile Process Regression
Arxiv
0+阅读 · 4月20日
Inertial Mining: Equilibrium Implementation of the Bitcoin Protocol
Arxiv
0+阅读 · 4月7日
FlashSAC: Fast and Stable Off-Policy Reinforcement Learning for High-Dimensional Robot Control
Arxiv
0+阅读 · 4月6日
Off-Policy Evaluation and Learning for Survival Outcomes under Censoring
Arxiv
0+阅读 · 3月24日
Estimating Dynamic Marginal Policy Effects under Sequential Unconfoundedness
Arxiv
0+阅读 · 4月7日
OP-GRPO: Efficient Off-Policy GRPO for Flow-Matching Models
Arxiv
0+阅读 · 4月5日
Off-Policy Value-Based Reinforcement Learning for Large Language Models
Arxiv
0+阅读 · 3月24日
On-Policy RL Meets Off-Policy Experts: Harmonizing Supervised Fine-Tuning and Reinforcement Learning via Dynamic Weighting
Arxiv
0+阅读 · 3月17日
Squint: Fast Visual Reinforcement Learning for Sim-to-Real Robotics
Arxiv
0+阅读 · 2月24日
ALOE: Action-Level Off-Policy Evaluation for Vision-Language-Action Model Post-Training
Arxiv
0+阅读 · 2月23日
Recycling Failures: Salvaging Exploration in RLVR via Fine-Grained Off-Policy Guidance
Arxiv
0+阅读 · 2月27日
On the Design of KL-Regularized Policy Gradient Algorithms for LLM Reasoning
Arxiv
0+阅读 · 2月19日
ExO-PPO: an Extended Off-policy Proximal Policy Optimization Algorithm
Arxiv
0+阅读 · 2月10日
ALOE: Action-Level Off-Policy Evaluation for Vision-Language-Action Model Post-Training
Arxiv
0+阅读 · 2月13日
参考链接
微信扫码咨询专知VIP会员
Top