arXiv ID:
2607.07674
arXiv 提交日期: 2026-07-08
最大化GRPO信号:针对困难推理问题的自适应前缀轨迹控制 / Max Out GRPO Signal: Adaptive Trace Prefix Control for Hard Reasoning Problems
1️⃣ 一句话总结
本文提出AdaPrefix-GRPO方法,通过动态调整每个数学推理问题在训练时获得的标准答案前缀长度,使模型的成功率始终维持在50%左右以最大化学习信号,训练后期再完全移除辅助,从而在小模型上以更短的计算轨迹将难题解答准确率提升一倍以上。