ReAPO 提出重试感知策略优化，提升 LLM 推理探索效率
原文标题：ReAPO: Retry-Aware Policy Optimization for Efficient Exploration in LLM Reasoning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文将信用分配问题建模为随机最短路，据此对 GRPO 做简单改造得到 ReAPO，为失败轨迹分配额外生成预算，使成功重试获得强化而不奖励先前失败。在 Qwen3 与 OLMo-2（0.6B–4B）及八个数学科学推理基准上，ReAPO 首答表现优于 GRPO；Qwen3-0.6B 上以少 39% 与 31% 生成 token 达到 GRPO 加倍组规模或加倍训练步数的峰值精度。
- 问题
- 强化学习可验证奖励训练中，独立采样常重复失败策略，且难以给多次尝试分配信用。
- 方法
- 把信用分配建模为随机最短路，据此对 GRPO 做简单改造：给失败轨迹追加生成预算，让成功重试获得强化而不奖励先前失败。
- 结果
- 在 Qwen3 与 OLMo-2（0.6B–4B）及八个数学科学推理基准上首答优于 GRPO；Qwen3-0.6B 上少用 39% 与 31% 生成 token 即达 GRPO 加倍组规模或加倍训练步数的峰值精度。
- 影响
- 给做 RLVR 训练的团队一个低成本替换 GRPO 的方案，直接省 token 且提升首答准确率。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ReAPO把信用分配建模为随机最短路，Qwen3-0.6B上省39%与31%token达GRPO峰值
- •将信用分配视为随机最短路问题，即最小化到达验证成功响应的期望累计成本
- •据此对GRPO做简单改造：为失败轨迹分配额外生成预算，成功重试获强化而不奖励先前失败
- •覆盖Qwen3与OLMo-2的0.6B–4B模型及八个数学科学推理基准，首答表现优于GRPO
- •Qwen3-0.6B上以少39%与31%生成token达到GRPO加倍组规模或加倍训练步数的峰值精度
为什么重要：对做RLVR推理训练的团队，这是低改造成本、直接省生成预算的GRPO变体。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
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。