Skip to content
简体中文

切换主题

arXiv 2610.16794 · cs.LG · 2026-10-12

TPPO: Tracking-Value PPO For Language Model Reasoning

Futing Wang, Chenxi Li, Jianhao Yan, Yun Luo, Zhi Wang, Yizhuo Li, Runzhe Zhan, Yu Cheng 等 9 人

机构待核实

在最新榜 #151 本站收录于 2026-10-21

一句话要点

TPPO 用累加式价值参数化追踪推理过程中的价值变化,改进 PPO 的逐 token 信用分配。

TPPO uses a cumulative value parameterisation to track value along the trajectory, improving token-level credit in PPO for reasoning.

96HF 点赞
21GitHub stars
0引用(Semantic Scholar)
55.5热度分

阅读 arXiv 原文 PDF Hugging Face 讨论 代码仓库

数据说明

元数据来自 arXiv API(已核实);点赞来自 Hugging Face 每日论文;引用来自 Semantic Scholar。最近刷新 2026-10-22。

要点由本站根据摘要自写,不转载摘要原文,请阅读原文。

数据更新于:最新 AI 论文(北京时间)