基准max@k
max@k
优化目标,指k个样本中最佳样本的奖励或得分,鼓励模型保留多样化的高奖励路径
时间轴 (近 90 天)
11月3日
重复采样类目标(如 pass@k、max@k)能够缓解锐化,但背后的机制长期缺乏清晰解释。
待验证50%
11月3日
该研究推导出了 KL 正则化下 pass@k 与 max@k 目标的最优策略闭式解,表明 @k 优化本质上是在按题目难度重新分配学习压力,把优化重心从简单题转向难题。
待验证50%
优化目标,指k个样本中最佳样本的奖励或得分,鼓励模型保留多样化的高奖励路径
重复采样类目标(如 pass@k、max@k)能够缓解锐化,但背后的机制长期缺乏清晰解释。
该研究推导出了 KL 正则化下 pass@k 与 max@k 目标的最优策略闭式解,表明 @k 优化本质上是在按题目难度重新分配学习压力,把优化重心从简单题转向难题。