Cooper: Co-Optimizing Policy and Reward Models in Reinforcement Learning for Large Language Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Hong, Haitao, Yan, Yuchen, Wu, Xingyu, Hou, Guiyang, Zhang, Wenqi, Lu, Weiming, Shen, Yongliang, Xiao, Jun |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
TimeToM: Temporal Space is the Key to Unlocking the Door of Large Language Models' Theory-of-Mind
par: Hou, Guiyang, et autres
Publié: (2024)
par: Hou, Guiyang, et autres
Publié: (2024)
EgoSocialArena: Benchmarking the Social Intelligence of Large Language Models from a First-person Perspective
par: Hou, Guiyang, et autres
Publié: (2024)
par: Hou, Guiyang, et autres
Publié: (2024)
Active Confusion Expression in Large Language Models: Leveraging World Models toward Better Social Reasoning
par: Du, Jialu, et autres
Publié: (2025)
par: Du, Jialu, et autres
Publié: (2025)
CoVerRL: Breaking the Consensus Trap in Label-Free Reasoning via Generator-Verifier Co-Evolution
par: Pan, Teng, et autres
Publié: (2026)
par: Pan, Teng, et autres
Publié: (2026)
Agent-Pro: Learning to Evolve via Policy-Level Reflection and Optimization
par: Zhang, Wenqi, et autres
Publié: (2024)
par: Zhang, Wenqi, et autres
Publié: (2024)
Data-Copilot: Bridging Billions of Data and Humans with Autonomous Workflow
par: Zhang, Wenqi, et autres
Publié: (2023)
par: Zhang, Wenqi, et autres
Publié: (2023)
Advancing Process Verification for Large Language Models via Tree-Based Preference Learning
par: He, Mingqian, et autres
Publié: (2024)
par: He, Mingqian, et autres
Publié: (2024)
Hierarchical Budget Policy Optimization for Adaptive Reasoning
par: Lyu, Shangke, et autres
Publié: (2025)
par: Lyu, Shangke, et autres
Publié: (2025)
Mind the Gap: Bridging Thought Leap for Improved Chain-of-Thought Tuning
par: Xu, Haolei, et autres
Publié: (2025)
par: Xu, Haolei, et autres
Publié: (2025)
LAPO: Internalizing Reasoning Efficiency via Length-Adaptive Policy Optimization
par: Wu, Xingyu, et autres
Publié: (2025)
par: Wu, Xingyu, et autres
Publié: (2025)
ViewSpatial-Bench: Evaluating Multi-perspective Spatial Localization in Vision-Language Models
par: Li, Dingming, et autres
Publié: (2025)
par: Li, Dingming, et autres
Publié: (2025)
SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models
par: Li, Hongxing, et autres
Publié: (2025)
par: Li, Hongxing, et autres
Publié: (2025)
TimeHC-RL: Temporal-aware Hierarchical Cognitive Reinforcement Learning for Enhancing LLMs' Social Intelligence
par: Hou, Guiyang, et autres
Publié: (2025)
par: Hou, Guiyang, et autres
Publié: (2025)
SVGenius: Benchmarking LLMs in SVG Understanding, Editing and Generation
par: Chen, Siqi, et autres
Publié: (2025)
par: Chen, Siqi, et autres
Publié: (2025)
Code-A1: Adversarial Evolving of Code LLM and Test LLM via Reinforcement Learning
par: Wang, Aozhe, et autres
Publié: (2026)
par: Wang, Aozhe, et autres
Publié: (2026)
Multimodal Self-Instruct: Synthetic Abstract Image and Visual Reasoning Instruction Using Language Model
par: Zhang, Wenqi, et autres
Publié: (2024)
par: Zhang, Wenqi, et autres
Publié: (2024)
Milestone-Guided Policy Learning for Long-Horizon Language Agents
par: Wang, Zixuan, et autres
Publié: (2026)
par: Wang, Zixuan, et autres
Publié: (2026)
Pause or Fabricate? Training Language Models for Grounded Reasoning
par: Qiu, Yiwen, et autres
Publié: (2026)
par: Qiu, Yiwen, et autres
Publié: (2026)
GUI-G$^2$: Gaussian Reward Modeling for GUI Grounding
par: Tang, Fei, et autres
Publié: (2025)
par: Tang, Fei, et autres
Publié: (2025)
A Survey on (M)LLM-Based GUI Agents
par: Tang, Fei, et autres
Publié: (2025)
par: Tang, Fei, et autres
Publié: (2025)
VerifyBench: Benchmarking Reference-based Reward Systems for Large Language Models
par: Yan, Yuchen, et autres
Publié: (2025)
par: Yan, Yuchen, et autres
Publié: (2025)
TaskBench: Benchmarking Large Language Models for Task Automation
par: Shen, Yongliang, et autres
Publié: (2023)
par: Shen, Yongliang, et autres
Publié: (2023)
Test-Time Reinforcement Learning for GUI Grounding via Region Consistency
par: Du, Yong, et autres
Publié: (2025)
par: Du, Yong, et autres
Publié: (2025)
GSM8K-V: Can Vision Language Models Solve Grade School Math Word Problems in Visual Contexts
par: Yuan, Fan, et autres
Publié: (2025)
par: Yuan, Fan, et autres
Publié: (2025)
An Automated Reinforcement Learning Reward Design Framework with Large Language Model for Cooperative Platoon Coordination
par: Wei, Dixiao, et autres
Publié: (2025)
par: Wei, Dixiao, et autres
Publié: (2025)
UI-Copilot: Advancing Long-Horizon GUI Automation via Tool-Integrated Policy Optimization
par: Lu, Zhengxi, et autres
Publié: (2026)
par: Lu, Zhengxi, et autres
Publié: (2026)
Think Twice, Click Once: Enhancing GUI Grounding via Fast and Slow Systems
par: Tang, Fei, et autres
Publié: (2025)
par: Tang, Fei, et autres
Publié: (2025)
AskToAct: Enhancing LLMs Tool Use via Self-Correcting Clarification
par: Zhang, Xuan, et autres
Publié: (2025)
par: Zhang, Xuan, et autres
Publié: (2025)
STaR-SQL: Self-Taught Reasoner for Text-to-SQL
par: He, Mingqian, et autres
Publié: (2025)
par: He, Mingqian, et autres
Publié: (2025)
Let LRMs Break Free from Overthinking via Self-Braking Tuning
par: Zhao, Haoran, et autres
Publié: (2025)
par: Zhao, Haoran, et autres
Publié: (2025)
EasySteer: A Unified Framework for High-Performance and Extensible LLM Steering
par: Xu, Haolei, et autres
Publié: (2025)
par: Xu, Haolei, et autres
Publié: (2025)
Self-Contrast: Better Reflection Through Inconsistent Solving Perspectives
par: Zhang, Wenqi, et autres
Publié: (2024)
par: Zhang, Wenqi, et autres
Publié: (2024)
Diversity-Aware Policy Optimization for Large Language Model Reasoning
par: Yao, Jian, et autres
Publié: (2025)
par: Yao, Jian, et autres
Publié: (2025)
SKILL0: In-Context Agentic Reinforcement Learning for Skill Internalization
par: Lu, Zhengxi, et autres
Publié: (2026)
par: Lu, Zhengxi, et autres
Publié: (2026)
URPO: A Unified Reward & Policy Optimization Framework for Large Language Models
par: Lu, Songshuo, et autres
Publié: (2025)
par: Lu, Songshuo, et autres
Publié: (2025)
Buffer Matters: Unleashing the Power of Off-Policy Reinforcement Learning in Large Language Model Reasoning
par: Wan, Xu, et autres
Publié: (2026)
par: Wan, Xu, et autres
Publié: (2026)
Language as a Latent Variable for Reasoning Optimization
par: Wu, Linjuan, et autres
Publié: (2026)
par: Wu, Linjuan, et autres
Publié: (2026)
Self-Distilled Agentic Reinforcement Learning
par: Lu, Zhengxi, et autres
Publié: (2026)
par: Lu, Zhengxi, et autres
Publié: (2026)
RLHFPoison: Reward Poisoning Attack for Reinforcement Learning with Human Feedback in Large Language Models
par: Wang, Jiongxiao, et autres
Publié: (2023)
par: Wang, Jiongxiao, et autres
Publié: (2023)
GroundAct: Can LLM Agents Ground Actions in Environmental States?
par: Wang, Zixuan, et autres
Publié: (2025)
par: Wang, Zixuan, et autres
Publié: (2025)
Documents similaires
-
TimeToM: Temporal Space is the Key to Unlocking the Door of Large Language Models' Theory-of-Mind
par: Hou, Guiyang, et autres
Publié: (2024) -
EgoSocialArena: Benchmarking the Social Intelligence of Large Language Models from a First-person Perspective
par: Hou, Guiyang, et autres
Publié: (2024) -
Active Confusion Expression in Large Language Models: Leveraging World Models toward Better Social Reasoning
par: Du, Jialu, et autres
Publié: (2025) -
CoVerRL: Breaking the Consensus Trap in Label-Free Reasoning via Generator-Verifier Co-Evolution
par: Pan, Teng, et autres
Publié: (2026) -
Agent-Pro: Learning to Evolve via Policy-Level Reflection and Optimization
par: Zhang, Wenqi, et autres
Publié: (2024)