会员服务
StepGuard: Guarding Web Navigation via Single-Step Calibration
Arxiv
0+阅读 · 6月16日
AdaSR: Adaptive Streaming Reasoning with Hierarchical Relative Policy Optimization
Arxiv
0+阅读 · 6月15日
Flash-GRPO: Efficient Alignment for Video Diffusion via One-Step Policy Optimization
Arxiv
0+阅读 · 6月16日
OmniSapiens: A Foundation Model for Social Behavior Processing via Heterogeneity-Aware Relative Policy Optimization
Arxiv
0+阅读 · 6月16日
Hamilton-Jacobi Reachability-Based Safe Reinforcement Learning for Emergency Collision Avoidance
Arxiv
0+阅读 · 6月13日
Towards Pareto-Optimal Tool-Integrated Agents with Pareto Ranking Policy Optimization
Arxiv
0+阅读 · 6月15日
Why Tree-Style Branching Matters for Thought Advantage Estimation in GRPO
Arxiv
0+阅读 · 6月15日
GD$^2$PO: Mitigating Multi-Reward Conflicts via Group-Dynamic reward-Decoupled Policy Optimization
Arxiv
0+阅读 · 6月15日
AP-GRPO: Anchor-Gated Phonetic Alignment with Policy Optimization for Pathological Speech Reconstruction
Arxiv
0+阅读 · 6月14日
A First-Principles Derivation of LLM Policy Optimization: From Expected Reward to GRPO and Its Structural Extensions
Arxiv
0+阅读 · 6月15日
HOLO-MPPI: Multi-Scenario Motion Planning via Hierarchical Policy Optimization
Arxiv
0+阅读 · 6月15日
DDPO-VC: Speaker De-Identification via Diffusion Denoising Policy Optimization
Arxiv
0+阅读 · 6月13日
BALTO: Balanced Token-Level Policy Optimization for Hallucination Mitigation
Arxiv
0+阅读 · 6月14日
A Gradient Perspective on RLVR Stability and Winner Advantage Policy Optimization
Arxiv
0+阅读 · 6月15日
HiMPO: Hindsight-Informed Memory Policy Optimization for Less-Entangled Credit in Long-Horizon Agents
Arxiv
0+阅读 · 6月15日
参考链接
微信扫码咨询专知VIP会员
Top