热点事件持续更新
斯坦福Tengyu Ma团队提出AC2动作分块批评家RL方法
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
2026年10月2日报道，斯坦福 Tengyu Ma 团队提出动作分块批评家方法 AC2。该方法不按整条轨迹分配信用，而是以动作块为单位分配信用，并且仅在 critic（批评家）足够准时才启用更新。团队用 AC2 在 FineProofs-RL 上训练 Qwen3-4B，在 IMO-ProofBench 上以 2.5 倍更少的解码 FLOPs 超过 GRPO 的 18.5% 峰值验证分，训练步数减少 25%。目前仅有这一篇报道，尚无其他来源或后续进展，相关数字与结论均来自该报道。
AI 根据报道生成 · 1 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- AGI Hunt斯坦福 Tengyu Ma 团队提出 AC2 动作分块批评家方法：RL 训练省 2.5 倍解码算力、超 GRPO
斯坦福 Tengyu Ma 团队提出动作分块批评家方法 AC2，按动作块而非整条轨迹分配信用，仅在 critic 足够准时启用更新。用 AC2 在 FineProofs-RL 上训练 Qwen3-4B，在 IMO-ProofBench 上以 2.5 倍更少的解码 FLOPs 超过 GRPO 的 18.5% 峰值验证分，训练步数减少 25%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。