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:2507.11371

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2507.11371 (cs)
[提交于 2025年7月15日 ]

标题: 分步策略用于稀有工具知识(SPaRK):在大型语言模型中驱动多样化工具使用的离线强化学习

标题: Step-wise Policy for Rare-tool Knowledge (SPaRK): Offline RL that Drives Diverse Tool Use in LLMs

Authors:Gabriel Bo, Koa Chang, Justin Gu
摘要: 我们提出了一种分步策略,用于稀有工具知识(SPaRK),这是一种新颖的强化学习框架,它教会大型语言模型在传统高温采样之外探索多种工具使用模式。 基于分步强化学习的最新进展,我们引入了一个双目标奖励系统,同时优化答案质量和工具多样性,在MMLU-Pro数据集上合成生成的轨迹上通过离线PPO训练Llama-3.1 8B模型。 我们的方法独特地采用了一种以稀有性优先的利用策略,其中GPT-4o评判者对八个不同工具加上思维链推理的候选动作进行评分,策略倾向于较少使用但仍然可行的工具,以鼓励系统性探索。 实证结果表明,SPaRK在14个MMLU-Pro类别中表现出具有竞争力的性能,同时在工具选择上的熵显著高于基线和监督微调方法,这表明通过显式工具多样性进行算法探索可以在不牺牲准确性的情况下增强推理能力。
摘要: We present Step-wise Policy for Rare-tool Knowledge (SPaRK), a novel reinforcement learning framework that teaches large language models to explore diverse tool usage patterns beyond conventional high-temperature sampling. Building on recent advances in step-wise reinforcement learning, we introduce a dual-objective reward system that simultaneously optimizes for answer quality and tool diversity, training a Llama-3.1 8B model through offline PPO on synthetically generated trajectories from the MMLU-Pro dataset. Our approach uniquely employs a rarity-first exploitation strategy where a GPT-4o judge scores candidate actions across eight distinct tools plus chain-of-thought reasoning, with the policy favoring less-frequently used but still viable tools to encourage systematic exploration. Empirical results demonstrate that SPaRK achieves competitive performance across 14 MMLU-Pro categories while exhibiting significantly higher entropy in tool selection compared to both baseline and supervised fine-tuning approaches, suggesting that algorithmic exploration through explicit tool diversity can enhance reasoning capabilities without sacrificing accuracy.
评论: 12页,4图
主题: 机器学习 (cs.LG) ; 多智能体系统 (cs.MA)
引用方式: arXiv:2507.11371 [cs.LG]
  (或者 arXiv:2507.11371v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.11371
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Gabriel Bo [查看电子邮件]
[v1] 星期二, 2025 年 7 月 15 日 14:44:29 UTC (1,361 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.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.MA

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