向量策略优化：为多样性训练提升测试时搜索

该预印本提出向量策略优化（VPO），把策略训练目标从单一标量奖励扩展为向量形式，以产出多样化解答。作者报告，在测试时搜索设置下，VPO 匹配或超越最强的标量强化学习基线。上述结果来自作者自述，属尚未经同行评审的预印本，具体任务、模型与样本范围以原文为准，不宜推广到其他训练场景或任务。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。