计算机科学 > 机器学习
[提交于 2025年10月9日
(v1)
,最后修订 2025年10月10日 (此版本, v2)]
标题: 关于RLVR的优化动力学:梯度差距和步长阈值
标题: On the optimization dynamics of RLVR: Gradient gap and step size thresholds
摘要: 基于可验证奖励的强化学习(RLVR),它使用简单的二进制反馈来微调大型语言模型,已经显示出显著的实证成功。 然而,对其为何有效缺乏系统的理解。 本文通过在完整响应(轨迹)和标记层面分析其训练过程,为RLVR建立了理论基础。 我们分析的核心是一个称为梯度差距的量,它形式化了从低奖励到高奖励响应空间区域的改进方向。 我们证明,收敛关键取决于将更新方向与这个梯度差距对齐。 此外,我们根据梯度差距的大小推导出一个精确的步长阈值:低于该阈值时,学习收敛,而高于该阈值时,性能会崩溃。 我们的理论进一步预测了关键步长必须如何随着响应长度和成功率进行缩放,从而解释了为什么实际启发式方法如长度归一化可以提高稳定性,并表明在固定学习率下,成功率会在严格低于$100\%$的情况下停滞。 我们通过受控赌博机模拟验证了这些预测。
当前浏览上下文:
cs.LG
文献和引用工具
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
推荐器和搜索工具
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.