ExGRPO讓大模型學懂分辨寶貴經驗

研究動機

在基於可驗證獎勵的強化學習（RLVR）中，在線策略方法往往即用即棄，未曾認真分辨哪些經驗值得反覆學習，訓練效率有改善空間。

團隊由此提出一套經驗管理與學習框架ExGRPO，希望讓大模型在優化推理能力的道路上，走得更穩、更快，也更遠，減少盲目消耗算力。