OpenJev-RLCD：一个可运行的 RLCD 实现

研究人员推出校准决策强化学习实现 OpenJev-RLCD，利用严格正定评分规则评估推理模型生成理由后的答案分布，以解决 RLVR 导致的过度自信。该方法采用“先校准后强化”两阶段训练方案；在 Qwen3-1.7B 上的推理测试中，RLCD 准确率持平或超越 SFT、RFT/STaR 及 GRPO，并在选择性预测中全面胜出。代码与结果已开源。