arXiv 自然语言处理· Xiaobing Chen, Zhiqi Pang·· 4 小时前AI 评分35
Residual Advantage：面向可验证奖励强化学习的学生相对教师指导
Residual Advantage: Student-Relative Teacher Guidance for RL with Verifiable Rewards
AI 导读
研究提出 Residual Advantage（RA），将教师与学生的概率残差作为有界单步奖励并构建优势项，在保持验证器优势均值不变的前提下为回复内部步骤重新分配信用。
来源：arXiv 自然语言处理 · arxiv.org