DataFlex-RL研究：均匀采样在RLVR中表现优异

发生了什么

据Hugging Face Papers发布的研究，DataFlex-RL评估平台通过GRPO配方对比了强化学习（RLVR）中的多种数据策略。研究发现，在数学、逻辑和科学基准测试中，均匀采样策略的表现匹配或优于自适应滚动选择、重加权及领域混合策略。实验显示，均匀GRPO较未训练检查点提升了7.76个百分点的领域平衡平均准确率，且未发现其他策略能实现统计学上的可靠提升。此外，研究指出基准测试的构成会显著影响评估结论。