SCARL序列置信度对齐强化学习方法发布

研究人员Kai和Huo等人在arXiv上提出SCARL（序列置信度对齐强化学习）方法，旨在解决RLVR中置信度与奖励脱节的问题。该方法通过重塑而非改变优势符号进行对齐，引入单一超参数以优化模型表现。 在基于Qwen3-4B-Base的实验中，SCARL使Pass@32指标比DAPO提升2.4分，并在16种设置中的14种改善了模型表现，同时保留了策略熵。研究团队已公开相关代码供社区使用。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。