نسخة أولية وصول مفتوح
التعلم ما وراء ما تأخذه كعينات: تبادل المسارات بين النماذج المدرك لخارج السياسة لـ RLVR
يعتمد RLVR مثل GRPO على المسارات الناجحة المولدة ذاتيًا، لكن ميزانيات التشغيل المحدودة قد تنتج مجموعات فاشلة كليًا دون إشارة تدرج سياسة قائمة على المكافأة. ورغم أن التشغيلات الإضافية تحسّن فرصة النجاح بكلفة أعلى، فإن المسارات الناجحة الغائبة عن تشغيلات نموذج قد يكون نموذج آخر اكتشفها بالفعل. ونلاحظ بالفعل أن النماذج ال …