浙大与北大团队提出 SPADER：用 step-wise GRPO 与多样性感知奖励驱动多答案问答长尾探索

浙大与北大团队提出强化学习框架 SPADER，以解决多答案问答中长尾实体覆盖不足的问题。该方法将 GRPO 细化到步骤级进行信用分配，并采用信息增益与新颖度溢价双轴奖励激励稀有实体探索。在 Llama3.1-8B 与 Qwen3-8B 基座上，SPADER 在四个基准的 F1 全面领先，在 QAMPARI 上较 PPO 与 GRPO 最高提升 86.1%。