arXiv提出ExPPO算法

发生了什么

据arXiv cs.AI发布的研究，团队提出探索保留策略优化（ExPPO）算法。该算法通过提示相对、长度归一化的响应惊讶度和提示通过率重新分配信用。实验显示，ExPPO提升了域内和域外推理覆盖率及聚合响应准确率。在大规模采样预算下保持强覆盖，并增加了正确模式产出与多样性。代码已公开。