When Does Exploration Prevent Collapse? Three Regimes and the Path of the Reward in Self-Consistency Training

Jaeho Hwang, Uiwon Hwang

На странице источника доступны аннотация, полный текст или сведения о том, где его прочитать. Препринт может ещё не пройти рецензирование; проверьте, появилась ли журнальная версия.