跳转至

LUFFY：离策略示范与 on-policy reasoning 的统一更新

保真度：核心机制复现。本页不把确定性 mini-suite 冒充原论文完整 benchmark。

论文信息

字段 内容
论文链接 LUFFY：离策略示范与 on-policy reasoning 的统一更新（arXiv 2504.14945）
公司 / 机构 University of Washington / SimpleReasoning
首次公开日期 2025-04-21（arXiv v1）
原作者代码 已开源
本地 adapter / 方法键 luffy
本地复现代码 src/auto_research/post_training/

原始论文总结

背景与主要改动

把离线高质量推理与在线 rollout 放进同一 support，通过正则化 importance ratio 保留 on-policy 行为。

flowchart LR
 A["公开输入 / 历史"] --> B["luffy 训练 / 执行闭环"]
 B --> C["论文特有状态或目标"]
 C --> D["同预算评测"]

原论文关键图

LUFFY：离策略示范与 on-policy reasoning 的统一更新 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \rho=\pi_\theta(y|x)/\mu(y|x),\quad\mathcal L=-\mathbb E[\operatorname{clip}(\rho)A\log\pi_\theta]+\beta D_{KL}(\pi_\theta\Vert\pi_{ref}). \]

论文离线与线上效果

论文在数学推理基准上超过纯 SFT、纯离策略和纯 on-policy 基线。 论文未报告生产线上 A/B，本页不补造线上数字。

本地复现

Arithmetic candidate suite、120 steps、256 examples、seed 42：accuracy 0.2344 → 0.5312（+126.67%）；奖励、KL、长度和候选预算一致。

auto-research post-train --algorithm luffy --dataset arithmetic-smoke --maximum-examples 256 --steps 120 --seed 42
auto-research evolve --model post-training --dataset arithmetic-smoke --direction "组合 luffy 与已安装论文算子" --generations 2 --population 4

固定指标见 ../../experiments/global-p0-20260808-seed42.json。

复现边界

本地只验证论文特有目标、状态更新和公平预算；没有复刻原论文的大模型、多卡 RL、私有环境、真实网页或完整 benchmark，因而只报告机制验证，不声称数值复现原表。