ÀÏ×ÓÓÐÇ®lzyq88¹ÙÍø

À´Ô´£ºÎ÷Ò©Ó¢ÎÄ £¬×÷Õߣº Á½ÐÔ £¬£º

ÚÀ £¬Ù¯ÏþµÃ·¥ £¬Ê©ÇÅÕòСÏï×Ó롵ط½ £¬×î½üÀ϶àÈ˽²ÆðÁËŶ ¡£ÓÐЩÈ˽²ÕâÀïÏáÊÇ¡°ÀÏÉϺ£Î¶µÀ¡± £¬ÓÐЩÈ˽²ÊÇ¡°²Ø×Å·ÏÎ £¬ºáÊú¸ÂÚ¨ºú¶¼¸ÂµÃÀ´ÈÈÄÖ ¡£Ù¯½²ÊÇ·¥£¿ÎÒǰÌËÈ¥ÁËÌË £¬°¥Ñ½ £¬ë¡µØ·½ÕæÊÇÓе㽲¾¿¸öŶ£¡ÎÒ¸úÙ¯½² £¬±ÂÏë×ÅÕâÀïÏáɶ¶¼±êÃ÷°×Ŷ £¬ë¡ÊDzØ×ÅÀÏÉϺ£¸öÃŵÀÁ¨ ¡£Ù¯ÒªÊÇÏëÏþµÃÀïÍ·¹ÊÊ £¬½ñÌìÎҾͺúÃÀ´¸øÙ¯ßëßë ¡£

Ê©ÇÅÕòСÏï×ÓÀïÏá¸öÃŵÀ £¬ÈÆÆðÀ´Ïñ³ÇÚòÃíÀïÍ·¸ö·

Ïà¹ØÍ¼Æ¬

Õâ¸öÂï¡­¡­ÏÈ´ÓСÏï×Ó¸ö½á¹¹½²ÆðŶ ¡£Ù¯ÏþµÃ·¥ £¬Ê©ÇÅÕòÀïÏá¸öСÏï×Ó £¬¸ãµÃÀ´ÀÏÈÆÁË ¡£ë¡Ð©ÅªÌà £¬¿í¿íÕ­Õ­ £¬¶«¹ÕÎ÷Íä £¬Ïñ³ÇÚòÃíÀïÍ·¸öС·һÑù £¬×ß½øÈ¥¾ÍÏñ²ÈÁËÃÔ¹¬ ¡£ÊDz»ÊÇÓÐò¥Ê×ÔÎŶ£¿µ«Æäʵ롸öµØ·½ÓÐËü¸ö¹æÔò ¡£Ù¯ÒªÊÇ×ߵü±ÁË £¬¿ÉÄÜ´í¹ýë¡Ð©ÀÏÆÌ×Ó ¡£

ÎÒ¸úÙ¯½²Å¶ £¬Ê©ÇÅÕò¸öСÏï×ÓÀïÍ·²Ø×źü¸¸öÀϵêËÁ £¬ë¡Ð©µêËÁ¸öÃÅÃæ¶¼ÎðÆðÑÛ £¬Ù¯ÒªÊǹ⿴Íâò £¬¿ÉÄÜÒÔΪÊÇÆÕͨ¸öÔÓ»õÆÌ ¡£ÆäÊµÄØ £¬ë¡Ð©µØ·½ÊÇÕæÕý¸ö±¦²Ø ¡£ºÃ±ÈÓÐÒ»¼Ò×öÍ­Æ÷¸öÆÌ×Ó £¬ÀÏÔç¾ÍÓÐÁË £¬ë¡Ð©Í­ºø¡¢Í­Íë £¬ÊÖÒÕÕæÊǽá¹÷£¡ÁíÓÐÒ»¼Ò²Ã·ìÆÌ £¬ÀÏÔç¸öÉϺ£È˶¼ÏþµÃÁ¨ £¬ë¡ÀïÏá²Ã³ö¸öÒÂÉÑ £¬´©³öÈ¥ £¬·Ö·ÖÖÓ±»ÈËÎÊ£º¡°ÚÀ £¬Ù¯¸öÒÂÉÑÊǰ¢Àï´î¶¨ÖƸö£¿¡±Ù¯½² £¬ë¡ÊDz»ÊÇÓÐµãÆæÌØ·¥£¿

ÀÏÉϺ£¸öζµÀ £¬²ØÔÚë¡Ð©Ð¡Ì¯ÀïÍ·

ë¡ÌìÒ¹¿ìµãÎÒ³ÔºÃÒ¹·¹ £¬¾ÍÏë³öÈ¥µ´µ´Âí· £¬ß¼Ã»Ïëµ½×ßµ½ÅªÌÃµ× £¬¿´µ½Ò»¼ÒÃÅÃæÎðÆðÑÛ¸öÉú¼åÂøÍ·µê £¬ÀïÏá×øÁ˼¸¸öÀϲ®²®ÀÕÀ­³Ô²è¸ÂÚ¨ºú £¬ÒÁ¸öζµÀÆ®³öÀ´ £¬ÕæÊÇÏãÉ·ÍÑÁË ¡£ÎÒÈÌÎðס £¬¾ÍÂòÁ˼¸¸öÉú¼å £¬°¥Ñ½ £¬Ò»¿ÚÏÂÈ¥ £¬ÌÀÖ­Âú¿Ú £¬Æ¤×Ó´àµÃÀ´Ïñ¸Õ³ö¹ø¸öÓÍÌõÒ»Ñù £¬ÏÚÁÏÊÇÀÏÏÊÁË£¡ë¡¸ö³½¹âÎҾ;õ×Å £¬Õâ¸ö²ÅÊÇÀÏÉϺ£¸öζµÀ ¡£

͵͵¸æËßٯŶ £¬È¥Ê©ÇÅÕòСÏï×Ó £¬Ù¯Ò»¶¨Òª¿´ºÃʱ¼ä ¡£×îºÃÊÇÏÂÎçÁ½Èýµã³½¹âÈ¥ £¬ë¡¸öʱºò £¬Ð¡Ì¯¸ÕÊÕʰºÃ £¬¹¤¾ßÐÂÏʵÃÀ´ ¡  £ÁíÓÐŶ £¬Éú¼å¸ö̯ͷÅÔ±ßÓмÒÂôÅ´Ã×ÍŸöÒÌÂè £¬ÒÁ¸öÊÖÒÕÒ²ºÃµÃÀ´£¡Ù¯¼ÇÀÎÁË £¬±ð´í¹ý ¡£
Ïà¹ØÍ¼Æ¬

Ù¯½² £¬ÕâµØ·½ÍíÉÏÈ¥»áÓÐÉ¶ÌØ±ð·¥£¿

ÎÒ¸úÙ¯½²Å¶ £¬Ê©ÇÅÕòСÏï×ÓÍíÉÏÈ¥ËäÈ»¿ÉÒÔ £¬Ö»ÊÇÍíÉÏÓÐЩ̯ͷ¹ØµÃÔç £¬Ù¯¿ÉÄܳÔÎðµ½ë¡Ð©ºÃ¹¤¾ß ¡£²»¹ýÒ¹Íí¸öÏï×ӵƹâÒ»ÁÁÆðÀ´ £¬ÀÏÓÐζµÀ¸ö£¡Ù¯ÒªÊÇϲ»¶ÅÄÕÕ £¬ÍíÉÏÈ¥µ¹ÊDz»´í £¬ÀÏÓÐÇ»µ÷ ¡£

Ïà¹ØÍ¼Æ¬

±êÇ©£ºÊ©ÇÅÕòСÏï×Ó¡¢ÀÏÉϺ£Î¶µÀ¡¢ÉϺ£ÅªÌá¢Í­Æ÷ÆÌ¡¢Éú¼åÂøÍ·

¡¶¾üÁ¸³ÇСÏï×ÓÄÄÓС·

Ìï¼ÒâÖÇø¿Ú°¶¶þ·µÄÎÄÂù¤ÒµÍ¬Ñù×¢ÖØºÍÆø¼Ò·çµÄ´«³ÐÓëºëÑï ¡£ÔÚÕâÀï £¬ÓοͿÉÒÔÂÃÐÐһЩÒÔ¼Ò·çΪÖ÷ÌâµÄÕ¹ÀÀ»òÔ˶¯ £¬Á˽⻴ÄϵØÇøºÍÆø¼Ò·çµÄÉîºñÃØÎÅ ¡£

¡¶Õ¿½­9598Æ·²è¡·

½­Î÷¸§ÖÝÊÐί¸±Êé¼Ç¡¢Êг¤ºú½£·É½üÈÕÌåÏÖ £¬¸§ÖÝÆû³µ¹¤ÒµÊµÏÖÁ˵û±äÉý¼¶ £¬³ÉΪȫÊй¤ÒµÉú³¤µÄÖØÒªÖ§Öù ¡£

¡¶À¥É½Ð¡Ïï×Ó×îÐÂλÖá·

¢á Zhu X, Cheng D, Zhang D, ..., Zhou B, Mei H, Lin Z. FlowRL: Matching reward distributions for LLM reasoning [J]. arXiv preprint arXiv:2509.15207, 2025.

ÍøÕ¾µØÍ¼