跳到正文
arXiv · ML· Wei Chen, Yubing Wu, Zhou Xu, Haoyue Zhang, Delu Zeng, Jiahao Wang, Junmei Yang, Pan tiewen, Jingfeng Liu, Zhiheng Zhou, Bo Li, Min Chen·· 2026-10-15AI 评分29

Hindsight-Privileged RLVR:无需群体采样的单轨迹Token信用分配

Hindsight-Privileged RLVR: Single-Rollout Token Credit Without Group Sampling

AI 导读

HP-RLVR提出一种单轨迹强化学习验证奖励方法,通过 hindsight context 计算归一化 Jensen-Shannon 散度,实现无需参考解的有界 token 级信用分配,克服了 GRPO 在全同结果下信号丢失的问题。

来源:arXiv · ML · arxiv.org