ReAPO: Wiederholungsunterrichtete Policy-Optimierung für effiziente Exploration im LLM-Reasoning

arXiv:2610.28770v1 Announce Type: new Abstract: RLVR verbessert Language-Model-Reasoning, verlässt sich aber häufig auf unabhängige stochastische Rollouts für Exploration, die ähnliche fehlgeschlagene Strategien wiederholt samplen können. Frühere Arbeiten haben Erfolg mit Ansätzen gesehen, die Exploration durch Einführung von Abhängigkeit leiten…