已收录文章摘要，完整内容可前往原文阅读。
智猩猩AI整理核心作者投稿基于可验证奖励的强化学习（RLVR）是大语言模型后训练的重要路线，但这类训练也有一个难题：生成过程中每个 token 应该怎样改进缺少细粒度指导，只有单一的结果级奖励。在线自