arXiv 机器学习· Nghi Dao, Calder Morton-Ferguson, Noah Golowich, Adam Block·2026-10-22 12:00· 2 小时前AI 评分43

ReAPO：用于 LLM 推理高效探索的重试感知策略优化

ReAPO: Retry-Aware Policy Optimization for Efficient Exploration in LLM Reasoning

AI 导读

研究人员提出重试感知策略优化 ReAPO，通过为失败轨迹分配额外生成并在不奖励先前失败的情况下强化成功重试，实现基于随机最短路径框架的信用分配。在 0.6B 至 4B 参数的 Qwen3 和 OLMo-2 模型及 8 个数学与科学推理基准上，ReAPO 的首次尝试表现优于 GRPO 及近期基线。

来源：arXiv 机器学习 · arxiv.org