Articles sur PPO

Bien que RLVR augmente le pass@1, il réduit l'espace de solution politique et le taux de couverture dans la tâche Compte à rebours diminue jusqu'à 67 %. Par rapport à l'accent précédent mis sur le gain de précision du RLVR, c'est la première fois que l'on quantifie sa perte de diversité à l'entrée de la trajectoire, indiquant que les rendements décroissants de l'expansion pendant les tests sont dus à un accès limité à l'espace de solution plutôt qu'à un échec d'exécution.