Guided-RLVR：用引导式探索扩展可验证奖励强化学习

Guided-RLVR 用引导 token 注入扩大 RLVR 的推理探索空间。

资讯摘要

论文提出 Guided-RLVR，针对可验证奖励强化学习（RLVR）中 rollout 常坍缩到狭窄推理轨迹、探索空间受限的问题，在 RLVR 中加入轻量控制器，向采样分布注入语义上有意义的引导 token，促使模型从多种推理视角解题。作者报告在数学推理与代码生成基准上，该方法稳定优于现有 RLVR 方法，并产生更多样的推理轨迹。

要点速读

1. 论文指出 RLVR 虽能提升大模型在数学、编程任务上的推理能力，但其 rollout 常坍缩到少量推理轨迹。
2. Guided-RLVR 通过轻量控制器向采样分布注入语义引导 token，以扩大探索空间。
3. 作者报告在数学推理和代码生成基准上优于现有 RLVR 方法，且推理轨迹更多样。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。