Improving Math Reasoning through Value-guided Informative Search
Amazon(亚马逊);Texas A&M University(德克萨斯A&M大学)
提出APIVIS框架,将有限预算Gumbel搜索适配至分块级数学推理,通过价值引导选择与选择性监督改进RLVR训练,在多个基准上显著优于现有搜索方法。
2026-10-02 cs.AI
MathSE: Improving Multimodal Mathematical Reasoning via Self-Evolving Iterative Reflection and Reward-Guided Fine-Tuning
本文提出MathSE自演化框架,通过迭代推理、反思与奖励引导微调提升多模态大模型的数学推理能力,在MathVL-test上超越开源模型QVQ。
2025-11-10 cs.AI cs.LG
An Efficient and Precise Training Data Construction Framework for Process-supervised Reward Model in Mathematical Reasoning
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
针对过程监督训练数据成本高、质量差的问题,本文提出 EpicPRM 框架,通过量化步骤贡献与自适应二分搜索构建 Epic50k,并训练出性能显著更优的 PRM。
2025-07-23 cs.AI cs.CL
Reasoning over mathematical objects: on-policy reward modeling and test time aggregation
FAIR at Meta(Meta旗下的FAIR)
本文提出改进数学对象推理的三个贡献:构建数学对象推导的训练数据和基准Principia套件,提供强LLM判官和验证器的训练方案,展示在线训练可提升测试时计算能力。
2026-03-19 cs.AI cs.CL
CoLD: Counterfactually-Guided Length Debiasing for Process Reward Models in Mathematical Reasoning
Shanghai Jiao Tong University(上海交通大学);Huawei Noah’s Ark Lab(华为诺亚实验室);Peking University(北京大学);University of Bristol(布里斯托大学)
本文提出CoLD,一种通过反事实引导消除过程奖励模型中长度偏差的统一框架,旨在提高多步骤推理的准确性和简洁性,同时提升下游强化学习性能和跨领域泛化能力。
2026-05-19 cs.AI cs.CL cs.LG
Process-based Self-Rewarding Language Models
Nanjing University(南京大学);The University of Manchester(曼彻斯特大学);Microsoft Research Asia(微软亚洲研究院)
针对现有自奖励方法在数学推理中效果不佳的问题,提出基于过程的自奖励流程,引入长思维推理、逐步LLM评判与逐步偏好优化,显著提升了模型在多个数学推理基准上的性能。
2025-03-05 cs.AI cs.CL
Beyond the First Error: Process Reward Models for Reflective Mathematical Reasoning
ACL Proceedings(ACL会议)
针对现有过程奖励模型标注方法忽略长思维链自我修正机制的问题,提出引入错误传播与终止概念的新型标注法,训练的7B PRM在多指标上性能优于现有开源模型与传统标注方法。
2025-05-20 cs.AI
SignalReasoner: Assessing the Upper Bound of 3B Models for Signal Mathematical Reasoning
本研究针对信号数学推理任务,以Qwen2.5-3B-Base为对象,对比两种训练范式与三种强化优化算法,其最佳模型准确率较基准提升超两倍。
2026-08-19 cs.AI
Beyond Monolithic Rewards: A Hybrid and Multi-Aspect Reward Optimization for MLLM Alignment
Radha Gulhane(独立研究者);Sathish Reddy Indurthi(独立研究者)
针对多模态大语言模型对齐中单一奖励的局限,提出混合多维度奖励框架,整合模型与规则奖励,并引入长度惩罚,在3B模型上实现约9.5%整体及16%数学任务的性能提升。
2025-10-06 cs.AI cs.CL cs.CV
JURY-RL: Votes Propose, Proofs Dispose for Label-Free RLVR
Zhejiang University, Hangzhou, China(浙江大学,杭州,中国);Tongyi Lab, Alibaba Group, Hangzhou, China(通义实验室,阿里巴巴集团,杭州,中国)
JURY-RL提出一种无标签RLVR框架,通过模型回放提议候选答案,形式验证器判定是否可获正奖,从而稳定训练并提升数学推理性能。
2026-04-28 cs.AI
Unlocking Multimodal Mathematical Reasoning via Process Reward Model
Tsinghua University(清华大学);ByteDance(字节跳动);Zhejiang University(浙江大学);Ping An Technology (Shenzhen) Co., Ltd(平安科技(深圳)有限公司)
针对多模态数学推理中数据稀缺、过程标注难、奖励易破解的问题,提出三阶段URSA框架,构建专用数据集与PS-GRPO算法,在6个基准上超越Gemma3-12B与GPT-4o。
2025-10-05 cs.AI cs.CL cs.LG
Error Typing for Smarter Rewards: Improving Process Reward Models with Error-Aware Hierarchical Supervision
Singapore University of Technology and Design(新加坡科技设计大学);Lambda Labs(Lambda实验室)
本文提出PathFinder-PRM,一种错误感知的分层过程奖励模型,通过分类步骤错误并融合信号提升数学推理奖励估计,在PRMBench上取得67.7的SOTA分数,数据效率提高3倍。
2025-05-26 cs.AI cs.CL
Beyond Binary Preferences: A Principled Framework for Reward Modeling with Ordinal Feedback
Stanford University(斯坦福大学);Amazon AGI(亚马逊人工智能研究);EPFL(瑞士联邦理工学院);Qualcomm AI Research(高通人工智能研究);Aktus AI
本文提出基于顺序反馈的奖励建模原理框架,通过离散顺序回归方法,学习阈值参数以捕捉偏好顺序结构,实现更有效的细粒度人类反馈利用。
2026-02-13 cs.AI cs.LG
DeepSeekMath-V2: Towards Self-Verifiable Mathematical Reasoning
DeepSeek-AI
DeepSeekMath-V2通过自我验证机制提升数学推理能力,实现定理证明的高准确率和严谨性。
2025-11-27 cs.AI cs.CL
ARF-RLHF: Adaptive Reward-Following for RLHF through Emotion-Driven Self-Supervision and Trace-Biased Dynamic Optimization
South China Normal University(华南师范大学);University of Aberdeen(阿伯丁大学)
提出ARF方法,将自然反馈转为连续偏好轨迹并用TraceBias优化,在多种LLM上对齐性能提升达7.6%,优于PPO和DPO。
2025-10-25 cs.AI cs.CL
GTPO and GRPO-S: Token and Sequence-Level Reward Shaping with Policy Entropy
Northeastern University(东北大学)
本文提出GTPO和GRPO-S两种算法,通过引入熵权机制实现token和序列级的细粒度奖励塑造,提升大型语言模型在长链推理任务中的稳定性与性能。
2026-02-05 cs.AI cs.CL
Intra-Trajectory Consistency for Reward Modeling
Wuhan University(武汉大学);Nanyang Technological University(南洋理工大学)
针对现有奖励建模依赖粗粒度响应级分数导致泛化性差的问题,提出轨迹内一致性正则化方法,利用生成概率传播监督信号,提升了奖励模型在RewardBench的性能及DPO对齐、BON推理验证效果。
2025-06-16 cs.AI cs.LG
Rewarding Better Thinking for LLM Preference Alignment
研究大语言模型偏好对齐问题,提出思维清单奖励(TCR)方法,将偏好对转化为思维清单评估推理轨迹,引入EMA残差公式减少与结果监督重叠,实验证明该方法能提升对齐性能。
2026-07-23 cs.AI cs.CL
Limits of PRM-Guided Tree Search for Mathematical Reasoning with LLMs
University of Tübingen(图宾根大学);University of British Columbia(不列颠哥伦比亚大学);Vector Institute(向量研究所);Western University(西部大学)
本研究提出自适应算法最大化PRM分数,发现PRM引导的树搜索相比BoN无显著提升,且PRM可靠性随深度下降,需改进奖励建模。
2025-10-23 cs.AI cs.LG
Visual-ERM: Reward Modeling for Visual Equivalence
Shanghai Jiao Tong University(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室);Fudan University(复旦大学);CUHK(香港中文大学)
本文提出视觉-ERM模型,通过细粒度的视觉反馈提升视觉到代码任务的奖励学习效果,实验显示其在图表到代码、表格和SVG解析任务中均取得显著提升。
2026-05-09 cs.AI cs.CV
The Lessons of Developing Process Reward Models in Mathematical Reasoning
Qwen Team, Alibaba Group(通义千问团队,阿里巴巴集团)
本文针对数学推理中过程奖励模型(PRMs)的数据标注与评估难题,揭示MC估计和BoN策略的缺陷,提出共识过滤机制与综合评估框架,并发布性能领先的开源PRM。
2025-06-05 cs.AI cs.CL cs.LG
HSRM: Hidden-State Reward Models for Test-Time Verification
Ingenuity Labs Research Institute(Ingenuity Labs 研究院)
该研究提出轻量型隐藏状态奖励模型HSRM,复用生成器内部表征验证数学推理候选解,在四个基准中多数场景性能优于55M参数纯文本验证器,仅需约2M参数,实现高效验证。
2026-09-01 cs.AI cs.CL
Rubrics to Tokens: Bridging Response-level Rubrics and Token-level Rewards in Instruction Following Tasks
Shanghai Jiao Tong University(上海交通大学);Alibaba Group(阿里巴巴集团);Zhejiang University(浙江大学);Shanghai Innovation Institute(上海创新研究院);GAIR
本文提出RTT框架,通过引入标记级相关性判别器和RTT-GRPO方法,解决响应级奖励稀疏性和模糊性问题,提升指令遵循任务的准确率。
2026-04-03 cs.AI cs.CL
PromptEcho: Annotation-Free Reward from Vision-Language Models for Text-to-Image Reinforcement Learning
Alibaba Group(阿里巴巴集团);Zhejiang University(浙江大学)
PromptEcho通过冻结的视觉语言模型计算token级交叉熵损失,无需标注或训练奖励模型,提升文本到图像模型的提示跟随能力,实验显示在多个基准上取得显著提升。
2026-04-22 cs.AI cs.CV
Automated Rewards via LLM-Generated Progress Functions
本文提出 LLM 驱动的奖励生成框架,通过合成任务进度函数离散化状态并构造基于计数的内在奖励,在 Bi-DexHands 上以少 20 倍的奖励采样达到最先进策略性能。
2024-10-25 cs.AI cs.CL cs.LG
PageLLM: A Multi-Grained Reward Framework for Whole-Page Optimization with Large Language Models
Arizona State University(亚利桑那州立大学);Nokia(诺基亚);University of Kansas(堪萨斯大学)
针对整页优化中人工标注成本高和页面级连贯性与项目级放置粒度不匹配的问题,提出PageLLM框架,通过将隐式反馈解耦为粗粒度页面级奖励和细粒度项目级奖励,结合PPO的RLHF进行微调,显著提升排序性能并在线上部署中取得收益。
2026-05-23 cs.AI cs.LG
Verifier-Backed Hard Problem Generation for Mathematical Reasoning
Department of Data Science, City University of Hong Kong(香港城市大学数据科学系);Hong Kong Institute of AI for Science, City University of Hong Kong(香港城市大学人工智能科学研究所);School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院);Department of Statistics, University of Oxford(牛津大学统计系)
本文提出VHG框架,通过引入独立验证器约束问题生成器的奖励,提升生成问题的有效性和难度,实验显示其在不定积分和数学推理任务中优于基线方法。
2026-11-10 cs.AI cs.CL cs.LG
Learning to Generate Secure Code via Token-Level Rewards
Fuyao University of Science and Technology(福耀科技大学);Xiamen University(厦门大学);Peking University(北京大学);Huawei(华为)
本文提出Vul2Safe和SRCode框架,通过令牌级奖励提升代码安全性,有效减少生成代码中的安全漏洞并提高代码质量。
2026-02-26 cs.AI cs.CR cs.SE
ToolRL: Reward is All Tool Learning Needs
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文首次系统研究RL范式下工具选择与应用的奖励设计,提出原则性奖励方案并用GRPO训练LLM,在多个基准上比基础模型提升17%、比SFT模型提升15%,凸显奖励设计对工具使用与泛化能力的关键作用。
2025-04-16 cs.AI cs.CL cs.LG
MedCalc-R1: Knowledge-Guided Reward Framework for Medical Mathematical Reasoning
Harbin Institute of Technology(哈尔滨工业大学)
该研究针对医学数学推理中RLVR框架的奖励评估缺陷,提出知识引导的混合奖励框架MedCalc-R1,通过强制公式生成与验证、软硬奖励方案提升性能,在安全关键领域表现更优。
2026-08-11 cs.AI
Task-Adaptive Rubrics for GUI Reward Modeling
Zhejiang University(浙江大学);MiLM Plus, Xiaomi Inc.(小米公司MiLM Plus)
针对现有GUI奖励验证器任务自适应不足的问题,提出AdaptRubric框架,经实验验证其在离线奖励评估和在线强化学习中均优于现有方法,提升了F1值与任务成功率。
2026-08-26 cs.AI
The Quality-Utility Paradox: Why High-Reward Data Impairs Small Model Mathematical Reasoning
University of Science and Technology of China(中国科学技术大学)
发现数学推理蒸馏中的质量-效用悖论:Oracle精炼的高奖励数据因分布漂移增加适应成本,反而不如SLM自生成数据;提出风格对齐精炼方法恢复效用。
2026-06-16 cs.AI
What Are Step-Level Reward Models Rewarding? Counterintuitive Findings from MCTS-Boosted Mathematical Reasoning
TAL Education Group(好未来教育集团)
本文探究MCTS增强的步骤级奖励模型在数学推理中的反直觉机制,发现自然语言思维描述影响甚微,而模型主要奖励数学语言的逻辑连贯性,为精简高效SRMs设计提供指导。
2025-03-08 cs.AI cs.LG
From Outcomes to Strategies: Learning Strategy Utility for Mathematical Reasoning
本文提出SURE框架,通过分离高级策略与推理过程,学习策略效用以指导强化学习,在三个策略主干上平均提升pass@1达2.93%,并降低计算成本。
2026-09-29 cs.AI
UniDoc-RL: Coarse-to-Fine Visual RAG with Hierarchical Actions and Dense Rewards
DeepGlint-AI
UniDoc-RL通过分层动作空间和密集奖励方案,提升视觉RAG系统的细粒度视觉语义处理能力,实现端到端训练,实验显示优于现有方法。
2026-04-17 cs.AI cs.CV
Evaluating Robustness of Reward Models for Mathematical Reasoning
Yonsei University(延世大学)
针对RewardBench数学子集评估不可靠的问题,本文提出新的奖励模型评估设计并构建RewardMATH基准,可更准确衡量数学推理奖励模型鲁棒性及奖励过度优化风险。
2024-10-02 cs.AI cs.CL cs.LG
MathVis-Fine: Aligning Visual Supervision with Necessity via Progressive Dependency-Guided Training for Multimodal Mathematical Reasoning
School of ECE, Peking University(北京大学电子与计算机工程学院);College of Computer Science and Artificial Intelligence, Fudan University(复旦大学计算机科学与技术学院);School of Software and Microelectronics, Peking University(北京大学软件与微电子学院);Tencent Youtu Lab(腾讯优图实验室)
提出MathVis-Fine框架,通过构建细粒度视觉标注数据集和两阶段渐进式训练,根据样本的视觉依赖程度平衡答案正确性和视觉基础奖励,提升多模态数学推理的监督精度。
2026-06-17 cs.AI
Rewarding Structural Conformance of Reasoning using Process Mining
Dept. of Industrial Engineering(工业工程系);Pusan National University(釜山国立大学);Dept. of Data Science(数据科学系);Changwon National University(昌原国立大学)
提出TACReward奖励模型,利用过程挖掘技术聚合推理步骤的结构偏差,以改进稀疏奖励策略梯度方法在数学推理任务中的性能。
2026-05-24 cs.AI
OGER: A Robust Offline-Guided Exploration Reward for Hybrid Reinforcement Learning
Institute of Computing and Intelligence, Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学深圳研究院);Hithink RoyalFlush Information Network, Hangzhou, China(杭州Hithink RoyalFlush信息网络);Computer and Information Science, University of Macau, Macau, China(澳门大学计算机与信息科学学院)
提出OGER框架,通过多教师协作训练和基于熵的辅助探索奖励,统一离线教师引导与在线强化学习,提升大语言模型在数学推理和泛化任务中的探索能力。
2026-05-27 cs.AI
Compact Mathematical Programs For DEC-MDPs With Structured Agent Interactions
BBN Technologies(BBN技术公司);University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
为了解决分散式MDP中计算策略的复杂性,研究人员提出了利用结构化代理交互的模型。大多数代理动作都是独立的设置,除了影响其他代理的转换和/或奖励的少数动作之外,可以使用事件驱动的复杂奖励交互(EDI-CR)来建模。寻找最优联合策略可以用公式表示为优化问题。然而,现有的公式过于冗长和/或缺乏最优性保证。我们提出了一个紧凑的混合线性规划公式的EDI-CR实例。关键的见解是,一组代理的大多数动作序列对给定代理具有相同的效果。这使我们能够类似地处理这些序列,并使用更少的变量。实验表明,我们的配方更紧凑,导致更快的解决方案的时间和更好的解决方案比现有的配方。
2012-02-14 cs.AI
A Reinforcement Learning Environment for Mathematical Reasoning via Program Synthesis
Cash App Labs(Cash App实验室);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
我们将DeepMind数学数据集转换为强化学习环境,将其解释为程序合成问题。在环境中采取的每个动作都将运算符或输入添加到离散计算图中。计算正确答案的图产生正奖励,从而能够优化策略以构建以问题语句为条件的计算图。基线模型使用Double DQN在各种问题类型的子集上进行训练,展示了学习正确构建图形的能力,尽管存在组合爆炸和噪声奖励的挑战。
2021-07-16 cs.AI cs.LG
Response-Level Rewards Are All You Need for Online Reinforcement Learning in LLMs: A Mathematical Perspective
Amazon(亚马逊公司);PAII Inc.(PAII公司);UC Merced(加州大学默塞德分校)
本文从数学角度证明响应级奖励足以无偏估计 token 级策略梯度,为 PPO、GRPO 等方法提供理论依据,并提出更简单且内存高效的 TRePO 算法。
2025-06-03 cs.AI cs.CL cs.LG
On the "Causality" Step in Policy Gradient Derivations: A Pedagogical Reconciliation of Full Return and Reward-to-Go
本文通过前缀轨迹分布和分数函数恒等式明确推导了奖励到时的数学依据,澄清了完整回报与奖励到时之间的关系,使因果性论证成为推导的自然结果。
2026-04-06 cs.AI
ICPO: Intrinsic Confidence-Driven Group Relative Preference Optimization for Efficient Reinforcement Learning
MiLM Plus, Xiaomi Inc.(小米公司)
ICPO通过内在置信度驱动的群体相对偏好优化,提升大型语言模型的推理能力,有效解决粗粒度奖励和奖励噪声问题,增强高质量响应的相对优势。
2026-01-13 cs.AI cs.IR
Encouraging Responsible Use of Generative AI in Education: A Reward-Based Learning Approach
Cleveland State University(克利夫兰州立大学);The Davey Tree Expert Company(戴维树木专家公司);The MathWorks Inc(迈斯沃克公司);Youngstown State University(扬斯敦州立大学);Roux Institute at Northeastern University(东北大学鲁克斯学院)
本研究提出一种基于奖励的数学学习方法,整合生成式AI与聊天机器人,通过逐步解题和奖励机制,鼓励学生从追求快速答案转向结构化学习,促进负责任地使用AI。
2024-06-26 cs.AI cs.CY
Step-level Value Preference Optimization for Mathematical Reasoning
Tongyi Lab(通义实验室)
针对多步数学推理中整体偏好标注无法捕捉细粒度质量的问题,提出SVPO算法,利用MCTS标注步级偏好并训练显式价值模型,在同域和跨域基准上达到SOTA。
2024-09-27 cs.AI cs.CL
Process Rewards for Outcome-Guided Reasoning Steps in LLM Reinforcement Learning
Amazon Science(亚马逊科学)
PROGRS框架通过过程奖励相对偏好优化,提升数学推理准确性,减少错误引导,优于仅基于结果的基线方法。
2026-10-14 cs.AI cs.LG
Tackling Math Word Problems with Fine-to-Coarse Abstracting and Reasoning
Fudan University(复旦大学);Mila(米拉人工智能研究所);DIRO, Université de Montréal(蒙特利尔大学计算机科学与运筹学系);CIFAR(加拿大高等研究院)
数学应用题是一项重要的任务,它要求学生具备对数学文本的理解和推理能力。现有的方法大多将其形式化为一个生成任务,采用Seq2Seq或Seq2Tree模型将输入的数学问题用自然语言编码为全局表示,并生成输出的数学表达式。这样的方法只能学习浅层次的语法,无法捕捉输入中的细粒度变化。本文提出了一种从细到粗的数学应用题建模方法,既能捕捉到局部的细粒度信息,又能捕捉到全局的逻辑结构,而不是从全局特征中生成一个完整的方程序列或表达式树,而是迭代地组合低层操作数来预测高层操作数,对问题进行抽象,并自下而上对求解操作数进行推理.我们的模型自然对局部变化更敏感,可以更好地推广到看不见的问题类型。Math23k和SVAMP数据集上的广泛评估证明了我们方法的准确性和鲁棒性。
2022-05-17 cs.AI cs.CL
Countdown-Code: A Testbed for Studying The Emergence and Generalization of Reward Hacking in RLVR
University of Michigan(密歇根大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出Countdown-Code测试环境,通过分离代理奖励与真实奖励,研究LLM在监督微调中无意学习奖励黑客行为及其在强化学习中的泛化问题。
2026-09-14 cs.AI cs.CL cs.LG
Masked-and-Reordered Self-Supervision for Reinforcement Learning from Verifiable Rewards
DP Technology(DP技术)
本文提出MR-RLVR方法,通过掩码与重排自监督学习提升RLVR在仅结果可验证场景下的可扩展性和性能。
2025-11-21 cs.AI cs.CL cs.LG
Mitigating Over-Optimization in PRM-Guided Search in Mathematical Reasoning by Optimizing the Guide
Northwestern University(西北大学)
本研究针对PRM引导数学推理搜索的过优化问题,提出极大极小PRM引导搜索方法,无需微调即可提升搜索性能17%-35%,在多数设置中优于基线方法。
2026-09-01 cs.AI cs.LG
From Accuracy to Robustness: A Study of Rule- and Model-based Verifiers in Mathematical Reasoning
The Hong Kong University of Science and Technology(香港科学与技术大学);The Chinese University of Hong Kong(香港中文大学);Tsinghua University(清华大学)
本研究以数学推理为案例,分析了基于规则与基于模型的验证器在静态评估和RL训练中的表现,发现两类验证器分别存在误拒和奖励黑客问题,为开发更优RL奖励系统提供了参考。
2026-08-28 cs.AI cs.CL cs.LG
Mathematical Framework for Custom Reward Functions in Job Application Evaluation using Reinforcement Learning
Department of Computer Science and Engineering, SRM Institute of Science and Technology(计算机科学与工程系,SRM科学与技术学院);Department of Computer Science and Engineering, Sastra University(计算机科学与工程系,萨斯特拉大学);Halıcıoğlu Data Science Institute, University of California San Diego(Halıcıoğlu数据科学研究所,加州大学圣地亚哥分校);O6AI LABS(O6AI实验室)
本文提出基于强化学习的作业申请评估系统,通过两阶段微调流程优化小语言模型,实现高准确率和可靠性的候选人筛选。
2026-01-20 cs.AI cs.LG cs.MA
Reinforcement Learning Approach for Mapping Applications to Dataflow-Based Coarse-Grained Reconfigurable Array
Micron Technology, Inc.(美光科技公司)
流引擎(SE)是一个粗粒度可重配置阵列,它提供了编程灵活性和高性能与能源效率。要在SE上执行的应用程序被表示为同步数据流(SDF)图的组合,其中每个指令被表示为节点。每个节点都需要映射到SE中正确的插槽和数组,以确保程序的正确执行。这产生了具有巨大且稀疏的搜索空间的优化问题,对于该搜索空间,手动找到映射是不切实际的,因为它需要SE微架构的专业知识和知识。在这项工作中,我们提出了一个强化学习框架与全局图注意力(GGA)模块和输出屏蔽无效的位置,以发现和优化指令调度。我们使用近端策略优化来训练一个模型,该模型基于对SE设备及其约束进行建模的奖励函数将操作放置到SE瓦片中。GGA模块由图神经网络和注意力模块组成。图神经网络创建SDF的嵌入,并且注意力块用于对顺序操作布局进行建模。我们展示了某些工作负载如何映射到SE以及影响映射质量的因素的结果。我们发现,除了GGA,平均而言,发现10%更好的指令时间表的总时钟周期和掩蔽提高了20%的奖励。
2022-05-26 cs.AI cs.AR cs.LG