RLVRスケジューリングを最適化するFADEフィルタ、詳細をarXivが発表
FADE (Factored Ability--Difficulty Estimation) と題された研究論文は11月2日(現地時間)、オンライン学術論文公開サイトarXivに公開された。同論文は、検証可能な報酬に基づくグループ型強化学習 (RLVR) におけるロールアウトスケジューリングの効率を高める新たなフィルタリング手法「FADE」を提案している。RLVRでは、ポリシーの能力変化とプロンプト固有の難易度が混在し、従来のスケジューラでは効率的な学習が困難であった課題に対処する。