AdaC-GRPO 以自適應課程訓練 Qwen2.5-VL-7B 解視覺數獨
arXiv 論文提出 AdaC-GRPO，依模型當下能力動態安排訓練題目，讓 Qwen2.5-VL-7B 在視覺數獨上接近 Gemini-2.5-Flash。
本文已更正 1 次，看更正紀錄。
- 本站上線
- 2026/10/14 下午06:29
- 首次報導
- 2026/10/13 下午12:00
- 最早來源發布
- 2026/10/13 下午12:00
- 內容更新
- 2026/10/15 上午12:29
發生什麼事
一篇於 10 月 9 日提交到 arXiv 的論文提出 AdaC-GRPO（Adaptive Curriculum Group Relative Policy Optimization）。這是一種用於後訓練（模型預訓練完成後，再針對特定能力做的額外訓練）的強化學習方法，會依模型當下能力動態挑選訓練題目，目標任務是長程視覺數獨。 arXiv cs.AI
研究者先建立 FG-Sudoku，這是依格子大小與所需推理步數細分的基準測試。評測顯示，前沿 MLLM（能同時處理圖像與文字的多模態大型語言模型）在 9*9 這類長距離相依的複雜題目上失敗。成功率接近零造成嚴重的獎勵稀疏（多數嘗試拿不到獎勵，模型難以從中學習），使標準 RLVR（以可自動驗證對錯的答案當獎勵的強化學習）無法推進。 arXiv cs.AI
重點內容
AdaC-GRPO 不採固定或依先驗設定的排程，而是用線上 rollout（模型實際試答）的準確率追蹤模型的「最近發展區」（模型有點難、但努力一下做得到的難度區間），據此動態組成訓練批次。 arXiv cs.AI
實驗中，AdaC-GRPO 讓 Qwen2.5-VL-7B 的表現接近 Gemini-2.5-Flash，並把它與 Gemini-2.5-Pro 的整體準確率差距縮小了 62.2%。論文也在 InternVL-3.5 與 Qwen3-VL 上驗證了方法的泛化能力。 arXiv cs.AI
限制與未定事項
摘要中的驗證任務為視覺數獨（FG-Sudoku），主要實驗模型為 7B 規模的 Qwen2.5-VL-7B，比較對象是 Gemini-2.5-Flash 與 Gemini-2.5-Pro。 arXiv cs.AI
程式碼與資料
本站 2026-10-15 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：
- 程式碼：論文頁沒有列出公開的程式碼
- 模型與資料集：Hugging Face 上沒有連結到這篇論文的公開模型或資料集
來源 1 筆
- arXiv cs.AI · AdaC-GRPO: Towards Mastering Long-Horizon Visual Sudoku Puzzles via Adaptive Curriculum Learning10/13 下午12:00
這篇對你有用嗎？
登入會員後可以按反應與留言。登入
留言 0
- 還沒有留言。
留言公開顯示暱稱，不顯示你的真實姓名與信箱。含多個連結或疑似廣告的留言會先經編輯確認；檢舉達 3 次的留言會自動隱藏。隱私政策
更正紀錄
- 2026/10/14 下午10:31 改寫易誤讀與難懂的段落：原文「縮小與 Gemini-2.5-Pro 之間 62.2% 的整體準確率差距」易被讀成兩者相差 62.2%，已改為「差距縮小了 62.2%」；補上專有名詞的白話解釋與論文提到的泛化驗證；「限制與未定事項」原本重述問題背景，改為研究本身的限制。數字與結論不變。
發現錯誤？
回報會進入待處理清單；核實後更正，並在文中註記更正紀錄。