TBRM-RLOO：贝尔曼一致轨迹强化学习提升LLM算术推理
原文标题：Bellman-Consistent Trajectory RL for LLM Arithmetic Reasoning
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出贝尔曼一致的轨迹强化学习方法，通过轨迹贝尔曼残差最小化（TBRM）将稀疏终端奖励转化为密集的token级信号，并结合RLOO组策略降低梯度方差。在Countdown任务上，TBRM-RLOO将Pass@1提升至0.55-0.64，Pass@16达到76.0-84.0%的最优水平，优于SFT、IPO/DPO和RLOO基线。
- 问题
- LLM 算术推理中终端奖励稀疏，优化不稳定且梯度方差大。
- 方法
- 用轨迹贝尔曼残差最小化把稀疏奖励转成密集 token 级信号，结合 RLOO 组策略降方差并做事后目标重标定。
- 结果
- Countdown 上 Pass@1 达 0.55-0.64，Pass@16 达 76.0-84.0%，优于 SFT、IPO/DPO、RLOO 基线
- 影响
- 为稀疏奖励推理任务提供更稳的 RL 训练路径，单样本效率高，可替代 GRPO 类做法。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。