Group relative policy optimization

最近完整七日的证据

来源提及

3

前七日 2

不同来源

1

前期 1

可比较增长

不可比较

榜单记录

0

采集观测与无发布日期的记录，和有日期的原文提及分别统计。 七日观测：1 · 无日期记录：0

每日趋势 · 最多 90 天

柱形表示有日期的来源提及。最新 UTC 日可能尚未结束。零提及和缺少采集覆盖是不同情况。

虚线标记表示当日无记录，不作为零提及统计。

来源证据

当前展示证据的来源：HF Daily Papers 3 · arXiv 2 · Hugging Face 2

1. HF Daily Papers · 原文发布 2026年11月4日

   EmoReward: Self-Evolving Reward Calibration for Emotional Video Generation RL

   Group Relative Policy Optimization (GRPO) has advanced generative model post-training in verifiable domains such as code and mathematics, but evaluating video quality, especially emotional expression, often depends on subjective aesthetics and has no uniquely correct target. Existing approaches typically rely on fixed rewards for visual quality, motion quali

2. HF Daily Papers · 原文发布 2026年11月4日

   Turns Matter: Advancing Streaming Video RL via Turn-Level Credit

   Streaming video understanding requires models to repeatedly decide whether to respond or continue observing. Recently, Group Relative Policy Optimization (GRPO) has been applied to this setting, with existing approaches emphasizing reward design while retaining a single trajectory-level advantage across turns. Such shared credit can reinforce redundant repli

3. arXiv · 原文发布 2026年11月2日

   Li$^{2}$SAO: Lifting Light Singl-Rollout Asynchronous RL Optimization via Group-Relative Actor-Critic Bootstrapping

   arXiv:2610.40726v1 Announce Type: new Abstract: Asynchronous reinforcement learning (RL) is becoming a mainstream paradigm for post-training large language models (LLMs), as it improves training efficiency by updating the model as rollouts arrive. Recent work argues that group-wise sampling in GRPO does not naturally fit asynchronous RL training because roll

   查看来源记录 →

4. HF Daily Papers · 原文发布 2026年10月26日

   When Fine-Grained Credit Assignment Helps and Hurts: Multimodal Agentic Reinforcement Learning through Video Editing

   Reinforcement learning (RL) has shown promise for training multimodal agents to reason and use tools. However, it remains unclear when fine-grained credit assignment improves learning and when it fails to improve task performance. Video editing provides a useful testbed for this question, combining multimodal perception, long-horizon planning, and tool use w

5. arXiv · 原文发布 2026年10月23日

   Group Relative Policy Optimisation Improves Multilingual Speech Recognition in Low-Resource Languages

   arXiv:2610.30663v1 Announce Type: new Abstract: Autoregressive encoder-decoder speech recognition models trained with teacher forcing can suffer from exposure bias, limiting their ability to recover from their own prediction errors at inference time. Recent work has shown that reinforcement learning with Group Relative Policy Optimisation (GRPO) improves spe

   查看来源记录 →

6. Hugging Face · 原文发布 2026年9月10日

   Async GRPO with LoRA across HF Jobs: a bucket, a proxy, and no NCCL

   查看来源记录 →

7. Hugging Face · 原文发布 2026年9月3日

   Fine-tuning a 350M Model for Better Structured Outputs in 100 GRPO Steps

   查看来源记录 →

研究优先级 49 / 100

此分数用于排列研究候选，不是搜索量、预测结果或经过验证的商业需求。

• 证据数量

  16 / 30

  去重文章或首次观测；重复抓取不加分。

• 发布主体多样性

  8 / 25

  同主体保守归并，转载不增加独立证据。

• 可比变化

  0 / 20

  仅完整且可比的两周参与；零基线不计算百分比。

• 证据时效

  15 / 15

  依据最新发布或首次观测，不按重复采集时间刷新。

• 名称明确度

  9.7 / 10

  明确实体链接和技术概念优先于含义不明的缩写。

局限与解读

• 首次观测是采集记录的起点，不能证明词语或产品在全球首次出现。
• 计数仅代表已监测的公开来源，不代表全网热度或搜索需求。
• 本站首次发现时间不等于名称或概念的诞生时间。
• 候选来自公开标题、摘要和实体链接，并非已核实的全文分析。
• 来源多样性采用保守归并；未披露的转载或共同所有权仍可能无法识别。
• 重复上榜是观测记录，不是新增文章或独立背书。
• 已有概念或常见产品名，仅保留为历史基线，不视为新创造的词。
• 两周均需足够且可比较的采集覆盖，才判断增长。
• 该词的来源构成发生变化，或缺少可比较的基线。
• 近期证据包含发布三天后才采集的内容，暂不据此判断增长。
• 当前证据仅来自一个发布主体。