Rationale-Guided Policy Optimization: Learning to Reason with Adaptive Rationale Scaffolding

arXiv cs.AI · 7 oct, 06:00

Investigadores presentan RGPO (Rationale-Guided Policy Optimization), un método que mejora el aprendizaje por refuerzo en modelos de lenguaje grandes mediante guías de razonamiento adaptativas. El enfoque aborda el problema de la escasez de recompensas en tareas de razonamiento difíciles, permitiendo que los modelos exploren libremente mientras aprovechan información de soluciones de referencia como andamios temporales.