站内快照 · 国内可打开。外网原文可能无法访问。

• 论文公开站arXiv2026年10月1日 22:14

  半事实信用增强策略优化

  Semifactual Credit-Augmented Policy Optimization

  可验证奖励强化学习（RLVR）提升了 LLM 推理能力，但其预测仍对任务无关的提示特征敏感。本文通过半事实提示干预研究这种敏感性。

  原文链接