CAST: Non-Privileged Clipped Asymmetric Self-Teaching with Advantage Flipping for GRPO

En 3 lignesCAST est une méthode d'auto-distillation sans réponse de référence pour GRPO (Group Relative Policy Optimization). Elle utilise un auto-enseignant sans gradient pour façonner les avantages au niveau des tokens selon la correction des trajectoires, avec inversion bidirectionnelle des signaux et avantages bornés pour les groupes à variance zéro. Améliore le raisonnement mathématique.

Résumé généré par Claude — vérifié par l'humain