新稠密奖励框架在空间推理上兼顾准确率与推理长度控制。
资讯摘要
论文提出 LenGuard-GPC，一种面向多视图空间推理强化学习的稠密奖励框架。它比较标准提示与引导提示下逐 token 的预测分布，以 token 求和 KL 散度作为稠密奖励；并引入分阶段长度奖励，将推理长度控制在区间内，避免单纯鼓励简短。作者报告在六个多视图空间推理基准上，该方法较原始 GRPO 提升准确率并缩短平均回复长度。
要点速读
- 方法用标准提示与引导提示下逐 token 预测分布的 KL 散度作为稠密奖励信号。
- 引入分阶段长度奖励，把推理长度控制在区间内，而非单纯鼓励简短。
- 作者报告在六个多视图空间推理基准上准确率优于原始 GRPO，平均回复长度下降。
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 2026/11/5 08:00:38（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。