MLINFO COLLECTION

技術文書・実験ノート検索

過去の実験ノート、技術報告書、特許、論文を探しやすくするための製造業向けRAG導線です。

関連する論文・実装

11 / 25
arxiv実装リンクあり

SCARL: Sequence Confidence-Aligned Reinforcement Learning

Reinforcement learning with verifiable rewards (RLVR) improves language-model reasoning by scoring sampled responses with a rule-based verifier and reinforcing those that pass. Where a classifier's…

nlp