HuggingFace Daily Papers· Xiaoqiang Wang, Ting-En Lin, Yuchuan Wu, Pinyi Zhang, Caixin Kang, Ling Li, Bingxue Qiu, Jieping Ye, Yongbin Li, Bang Liu·· 7 天前AI 评分45
HarnessRL: 通过即时训练支架协同进化开放强化学习策略
HarnessRL: Co-Evolving Policies with a Just-in-Time Training Harness for Open-Ended RL
AI 导读
HarnessRL 引入训练时支架，通过任务采样、rollout 指导和评分标准三个接口协同进化策略，解决开放强化学习中奖励失效问题。在 Rubric-Mix-10k 基准上，HarnessRL 在 4B 和 9B 模型规模上超越最强基线 2.8-3.1 分，并将训练步数减半至最佳检查点。代码与数据已开源。
来源：HuggingFace Daily Papers · arxiv.org