Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.08838

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2507.08838 (cs)
[提交于 2025年7月7日 ]

标题: wd1:扩散语言模型推理中的加权策略优化

标题: wd1: Weighted Policy Optimization for Reasoning in Diffusion Language Models

Authors:Xiaohang Tang, Rares Dolga, Sangwoong Yoon, Ilija Bogunovic
摘要: 通过强化学习(RL)提高基于扩散的大语言模型(dLLMs)的推理能力仍然是一个开放性问题。dLLMs似然函数的不可处理性要求在每次策略优化步骤中近似当前策略、旧策略和参考策略的似然。这种依赖性引入了额外的计算开销,并可能导致较大的偏差——特别是在用于重要性采样的策略比率分母中出现近似误差时。为缓解这些问题,我们引入了$\mathtt{wd1}$,一种新的策略优化方法,将目标重新表述为加权似然,仅需对当前参数化策略似然进行一次近似。在广泛使用的推理基准上的实验表明,$\mathtt{wd1}$在无需监督微调(SFT)或任何监督数据的情况下,优于现有的dLLMs RL方法,准确率最高提高了16%。$\mathtt{wd1}$带来了额外的计算优势,包括减少训练时间和每梯度步骤的函数评估次数(NFEs)。这些发现结合该方法实现的简单性和R1-Zero类似训练(无SFT),使$\mathtt{wd1}$成为应用于dLLMs推理的更有效和高效的RL方法。
摘要: Improving the reasoning capabilities of diffusion-based large language models (dLLMs) through reinforcement learning (RL) remains an open problem. The intractability of dLLMs likelihood function necessitates approximating the current, old, and reference policy likelihoods at each policy optimization step. This reliance introduces additional computational overhead and lead to potentially large bias -- particularly when approximation errors occur in the denominator of policy ratios used for importance sampling. To mitigate these issues, we introduce $\mathtt{wd1}$, a novel policy optimization approach that reformulates the objective as a weighted likelihood, requiring only a single approximation for the current parametrized policy likelihood. Experiments on widely used reasoning benchmarks demonstrate that $\mathtt{wd1}$, without supervised fine-tuning (SFT) or any supervised data, outperforms existing RL methods for dLLMs, achieving up to 16% higher accuracy. $\mathtt{wd1}$ delivers additional computational gains, including reduced training time and fewer function evaluations (NFEs) per gradient step. These findings, combined with the simplicity of method's implementation and R1-Zero-like training (no SFT), position $\mathtt{wd1}$ as a more effective and efficient method for applying RL to dLLMs reasoning.
评论: 预印本
主题: 机器学习 (cs.LG) ; 人工智能 (cs.AI); 机器学习 (stat.ML)
引用方式: arXiv:2507.08838 [cs.LG]
  (或者 arXiv:2507.08838v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.08838
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Xiaohang Tang [查看电子邮件]
[v1] 星期一, 2025 年 7 月 7 日 21:27:25 UTC (623 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.LG
stat
stat.ML

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号