已收录文章摘要，完整内容可前往原文阅读。
（本文阅读时间：9 分钟）编者按：大模型时代的强化学习（RL）正在经历一场范式跃迁，从价值对齐到推理涌现，再到智能体自主决策，RL 的边界不断拓展。然而，一个经典难题始终如影随形——信用分配。当模型生