09:35
官方账号arXiv cs.AI@Minghui Xu, Zi Wang
精选73°
推荐理由：OpenAI研究团队用计算器工具+强化学习，把数学推理准确率提升30个百分点，方法开源可复现。
DAPO
共 2 条相关 AI 资讯
8月31日
09:35
研究分析了大语言模型在Countdown任务中的计算错误问题。构建了监督微调数据集教授模型工具使用模式。应用RLOO、RLOO++、GRPO和DAPO等强化学习方法。在1024题的独立测试基准上，Tool-DAPO将pass@1从35.8%提升至66.0%。强化学习鼓励更有效的工具使用，即使只提供最终答案奖励。
7月23日
09:56
09:56
官方一手arXiv: DeepSeek@Yanyu Chen, Yue Li, Yongyi Cui, Dongsheng Shi, Lichang Dai
推荐理由：Qwen3.5用强化学习学会在污染检索中挑有用证据，成功率从22%提到26%，还不掉通用分。