इस शोधपत्र में, हम EFRame फ्रेमवर्क प्रस्तुत करते हैं, जो सीमित अन्वेषण, कम नमूना दक्षता और अस्थिरता की समस्याओं को हल करने के लिए एक कुशल सुदृढीकरण सीखने के एल्गोरिथ्म, समूह सापेक्ष नीति अनुकूलन (GRPO) को बेहतर बनाता है, जो जटिल अनुमान कार्यों में प्रदर्शन में बाधा डालते हैं। EFRame उच्च गुणवत्ता वाले प्रक्षेपवक्र अन्वेषण, कम गुणवत्ता वाले नमूना निष्कासन और दुर्लभ लेकिन सूचनात्मक नमूनों के पुनरावृत्त उपयोग को निष्पादित करने के लिए अन्वेषण, फ़िल्टरिंग और अनुभव पुनरावृत्ति के तीन मुख्य तत्वों को व्यवस्थित रूप से एकीकृत करता है। यह एक स्थिर सीखने के चक्र का निर्माण करता है और अन्वेषण से अभिसरण तक संक्रमण प्रक्रिया को संरचित करता है, जिससे मॉडल की अनुमान क्षमता में सुधार होता है। विभिन्न अनुमान बेंचमार्क प्रयोगों के माध्यम से, हम प्रदर्शित करते हैं कि EFRame न केवल सीखने की मजबूती और दक्षता में सुधार करता है, बल्कि गहन अनुमान क्षमताओं को भी सक्षम करता है जो पारंपरिक GRPO के साथ हासिल नहीं किया जा सकता है। इसके अलावा, यह प्रशिक्षण नमूनों के बारीक वर्गीकरण के माध्यम से प्रत्येक नमूने के योगदान में गहरी अंतर्दृष्टि प्रदान करता है, और एक कुशल और सटीक एन्ट्रॉपी नियंत्रण तंत्र प्रदान करता है जो अन्वेषण और अभिसरण को संतुलित करने के लिए महत्वपूर्ण है।
