可验证奖励调优提升多视角驾驶问答答案提取率

GRPO调优在256 token预算下提升答案提取率与准确率

资讯摘要

论文研究在Ornith检查点上用可验证奖励适配多摄像头驾驶问答。在400题开发集、256 token上限下，GRPO将答案提取率从78.25%提升至90.25%，准确率从55.50%升至63.75%；39个由错转对的样本中33个原本无法提取答案。512 token下首轮准确率增益仅+0.75个百分点。全量2511题上平均生成token从108.6降至47.1，但配对准确率区间包含零增益。

要点速读

1. 400题开发集、256 token上限下，GRPO使答案提取率78.25%→90.25%，准确率55.50%→63.75%
2. 39个由错转对样本中33个起始于不可提取的基座回答；基座87个不可提取回答均触及token上限
3. 全量2511题上平均生成token由108.6降至47.1，配对准确率区间包含零增益

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。