ABC：面向可验证奖励强化学习（RLVR）的基于优势控制变量法

研究人员提出 ABC（Advantage-Based Control Variates），将基于优势的控制变量与直接优势估计（DAE）结合用于可验证奖励强化学习（RLVR）。该方法在离线到在线设置下先预训练 critic 并在在线学习中自适应调整。在数学推理任务中，ABC 仅需大幅减少的在线优化步数即可取得与 GRPO 相当的性能。