Controllable Exploration in Hybrid-Policy RLVR for Multi-Modal Reasoning
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Huang, Zhuoxu, Jia, Mengxi, Sun, Hao, Li, Xuelong, Han, Jungong |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Segment-Aligned Policy Optimization for Multi-Modal Reasoning
par: Gao, Lei, et autres
Publié: (2026)
par: Gao, Lei, et autres
Publié: (2026)
Depth-Breadth Synergy in RLVR: Unlocking LLM Reasoning Gains with Adaptive Exploration
par: Yang, Zhicheng, et autres
Publié: (2025)
par: Yang, Zhicheng, et autres
Publié: (2025)
Generalization of RLVR Using Causal Reasoning as a Testbed
par: Lu, Brian, et autres
Publié: (2025)
par: Lu, Brian, et autres
Publié: (2025)
HEALing Entropy Collapse: Enhancing Exploration in Few-Shot RLVR via Hybrid-Domain Entropy Dynamics Alignment
par: Liu, Zhanyu, et autres
Publié: (2026)
par: Liu, Zhanyu, et autres
Publié: (2026)
Quantile Advantage Estimation: Stabilizing RLVR for LLM Reasoning
par: Wu, Junkang, et autres
Publié: (2025)
par: Wu, Junkang, et autres
Publié: (2025)
RLVR without Ineffective Samples: Group Prioritized Off-Policy Optimization for LLM Reasoning
par: Mao, Yixiu, et autres
Publié: (2026)
par: Mao, Yixiu, et autres
Publié: (2026)
On the Direction of RLVR Updates for LLM Reasoning: Identification and Exploitation
par: Huang, Kexin, et autres
Publié: (2026)
par: Huang, Kexin, et autres
Publié: (2026)
Parameter-Efficient Fine-Tuning for Continual Learning: A Neural Tangent Kernel Perspective
par: Liu, Jingren, et autres
Publié: (2024)
par: Liu, Jingren, et autres
Publié: (2024)
SAGE: Shaping Anchors for Guided Exploration in RLVR of LLMs
par: Lee, Chanuk, et autres
Publié: (2026)
par: Lee, Chanuk, et autres
Publié: (2026)
Multi-Modal Manipulation via Multi-Modal Policy Consensus
par: Chen, Haonan, et autres
Publié: (2025)
par: Chen, Haonan, et autres
Publié: (2025)
Exploration vs Exploitation: Rethinking RLVR through Clipping, Entropy, and Spurious Reward
par: Chen, Peter, et autres
Publié: (2025)
par: Chen, Peter, et autres
Publié: (2025)
ORBIT: On-policy Exploration-Exploitation for Controllable Multi-Budget Reasoning
par: Liang, Kun, et autres
Publié: (2026)
par: Liang, Kun, et autres
Publié: (2026)
Understanding and Preventing Entropy Collapse in RLVR with On-Policy Entropy Flow Optimization
par: Xu, Huimin, et autres
Publié: (2026)
par: Xu, Huimin, et autres
Publié: (2026)
SIME: Enhancing Policy Self-Improvement with Modal-level Exploration
par: Jin, Yang, et autres
Publié: (2025)
par: Jin, Yang, et autres
Publié: (2025)
Monitorability as a Free Gift: How RLVR Spontaneously Aligns Reasoning
par: Xiong, Zidi, et autres
Publié: (2026)
par: Xiong, Zidi, et autres
Publié: (2026)
JudgeRLVR: Judge First, Generate Second for Efficient Reasoning
par: Duo, Jiangshan, et autres
Publié: (2026)
par: Duo, Jiangshan, et autres
Publié: (2026)
Listwise Policy Optimization: Group-based RLVR as Target-Projection on the LLM Response Simplex
par: Qu, Yun, et autres
Publié: (2026)
par: Qu, Yun, et autres
Publié: (2026)
CLIPO: Contrastive Learning in Policy Optimization Generalizes RLVR
par: Cui, Sijia, et autres
Publié: (2026)
par: Cui, Sijia, et autres
Publié: (2026)
GeoRA: Geometry-Aware Low-Rank Adaptation for RLVR
par: Zhang, Jiaying, et autres
Publié: (2026)
par: Zhang, Jiaying, et autres
Publié: (2026)
Adaptive Negative Reinforcement for LLM Reasoning:Dynamically Balancing Correction and Diversity in RLVR
par: Ingle, Yash, et autres
Publié: (2026)
par: Ingle, Yash, et autres
Publié: (2026)
The Path Not Taken: RLVR Provably Learns Off the Principals
par: Zhu, Hanqing, et autres
Publié: (2025)
par: Zhu, Hanqing, et autres
Publié: (2025)
Categorical Policies: Multimodal Policy Learning and Exploration in Continuous Control
par: Islam, SM Mazharul, et autres
Publié: (2025)
par: Islam, SM Mazharul, et autres
Publié: (2025)
Adaptive Exploration for Multi-Reward Multi-Policy Evaluation
par: Russo, Alessio, et autres
Publié: (2025)
par: Russo, Alessio, et autres
Publié: (2025)
Shorter but not Worse: Frugal Reasoning via Easy Samples as Length Regularizers in Math RLVR
par: Bounhar, Abdelaziz, et autres
Publié: (2025)
par: Bounhar, Abdelaziz, et autres
Publié: (2025)
Rethinking Entropy Interventions in RLVR: An Entropy Change Perspective
par: Hao, Zhezheng, et autres
Publié: (2025)
par: Hao, Zhezheng, et autres
Publié: (2025)
IRDS: Interpretable RLVR Data Selection via Verifier-Coupled Sparse Autoencoder Coverage
par: Li, Yuhan, et autres
Publié: (2026)
par: Li, Yuhan, et autres
Publié: (2026)
On the Implicit Reward Overfitting and the Low-rank Dynamics in RLVR
par: Ye, Hao, et autres
Publié: (2026)
par: Ye, Hao, et autres
Publié: (2026)
Conformal Selective Acting: Anytime-Valid Risk Control for RLVR-Trained LLMs
par: Khosravi, Hamed, et autres
Publié: (2026)
par: Khosravi, Hamed, et autres
Publié: (2026)
Part II: ROLL Flash -- Accelerating RLVR and Agentic Training with Asynchrony
par: Lu, Han, et autres
Publié: (2025)
par: Lu, Han, et autres
Publié: (2025)
Spurious Rewards: Rethinking Training Signals in RLVR
par: Shao, Rulin, et autres
Publié: (2025)
par: Shao, Rulin, et autres
Publié: (2025)
Towards Robust Multi-Modal Reasoning via Model Selection
par: Liu, Xiangyan, et autres
Publié: (2023)
par: Liu, Xiangyan, et autres
Publié: (2023)
A State-of-the-Art SQL Reasoning Model using RLVR
par: Ali, Alnur, et autres
Publié: (2025)
par: Ali, Alnur, et autres
Publié: (2025)
The Debate on RLVR Reasoning Capability Boundary: Shrinkage, Expansion, or Both? A Two-Stage Dynamic View
par: Yao, Xinhao, et autres
Publié: (2025)
par: Yao, Xinhao, et autres
Publié: (2025)
DAMBench: A Multi-Modal Benchmark for Deep Learning-based Atmospheric Data Assimilation
par: Wang, Hao, et autres
Publié: (2025)
par: Wang, Hao, et autres
Publié: (2025)
Quantifying Empirical Compute-Supervision Tradeoffs in RLVR
par: Mitsuhashi, Ryo, et autres
Publié: (2026)
par: Mitsuhashi, Ryo, et autres
Publié: (2026)
VL Norm: Rethink Loss Aggregation in RLVR
par: He, Zhiyuan, et autres
Publié: (2025)
par: He, Zhiyuan, et autres
Publié: (2025)
Flexible Entropy Control in RLVR with a Gradient-Preserving Perspective
par: Chen, Kun, et autres
Publié: (2026)
par: Chen, Kun, et autres
Publié: (2026)
Asymmetric Advantage Modulation Calibrates Entropy Dynamics in RLVR
par: Gu, Hengrui, et autres
Publié: (2026)
par: Gu, Hengrui, et autres
Publié: (2026)
Towards Learnable Anchor for Deep Multi-View Clustering
par: Wang, Bocheng, et autres
Publié: (2025)
par: Wang, Bocheng, et autres
Publié: (2025)
Exploiting Hybrid Policy in Reinforcement Learning for Interpretable Temporal Logic Manipulation
par: Zhang, Hao, et autres
Publié: (2024)
par: Zhang, Hao, et autres
Publié: (2024)
Documents similaires
-
Segment-Aligned Policy Optimization for Multi-Modal Reasoning
par: Gao, Lei, et autres
Publié: (2026) -
Depth-Breadth Synergy in RLVR: Unlocking LLM Reasoning Gains with Adaptive Exploration
par: Yang, Zhicheng, et autres
Publié: (2025) -
Generalization of RLVR Using Causal Reasoning as a Testbed
par: Lu, Brian, et autres
Publié: (2025) -
HEALing Entropy Collapse: Enhancing Exploration in Few-Shot RLVR via Hybrid-Domain Entropy Dynamics Alignment
par: Liu, Zhanyu, et autres
Publié: (2026) -
Quantile Advantage Estimation: Stabilizing RLVR for LLM Reasoning
par: Wu, Junkang, et autres
Publié: (2025)