23
2025/10
RL Grokking：解决 pass@K=0 难题的新思路
一个长期以来的问题：大型语言模型究竟能否通过强化学习（RL）获得真正意义上的新推理策略，还是说 RL 仅仅是对其在预训练或后训练阶段已存在能力的放大？
一些研
...
重新思考 RLVR 中的基线设计：用分位数替代均值，让大模型强化学习更加稳定
现有的研究工作大多将注意力集中在如何防止 RLVR 熵坍塌上，例如通过提升低概率词元（token）的概率或惩罚导致坍塌的词元。这些方法在一定程度上缓解了过早收
...