SCARL: 序列置信度对齐强化学习

SCARL通过重塑而非改变优势符号，解决RLVR中置信度与奖励脱节问题。 该方法引入单一超参数，在Qwen3-4B-Base上Pass@32比DAPO提升2.4分，且能在16种设置中的14种改善表现，同时保留策略熵。 代码已公开。