G2RPO-A: Guided Group Relative Policy Optimization with Adaptive Guidance
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Reinforcement Learning with Verifiable Rewards (RLVR) has markedly enhanced the reasoning abilities of large language models (LLMs).Its success, however, largely depends on strong base models with rich world knowledge, yielding only modest improvements for small-size language models (SLMs).To address this limitation, we investigate Guided GRPO, which injects ground-truth reasoning steps into roll-out trajectories to compensate for SLMs' inherent weaknesses.Through a comprehensive study of various guidance configurations, we find that naively adding guidance delivers limited gains.These insights motivate G 2 RPO-A, an adaptive algorithm that automatically adjusts guidance strength in response to the model's evolving training dynamics.Experiments on mathematical reasoning and codegeneration benchmarks confirm that G 2 RPO-A substantially outperforms vanilla GRPO.Our code and models are available at https:// github.com/T-Lab-CUHKSZ/G2RPO-A.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- G2RPO-A: Guided Group Relative Policy Optimization with Adaptive Guidance
- Date Crossref
- 01/01/2026
- Éditeur
- Association for Computational Linguistics
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.