论文提出 ARG 方法：平衡推理强化学习中的参考引导与自由生成
原文标题：Balancing Reference Guidance and Free Generation in Trajectory Rollouts for Reasoning RL
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。
论文研究推理模型训练中参考解前缀引导的适度问题，通过前缀续写与验证回退比较轨迹分布。作者推导 KL 散度闭式解，提出自适应参考引导 ARG，从续写结果学习前缀选择器，无需估计成功概率。在 Qwen3-4B 与 Qwen3-8B 五个数学推理基准上，ARG 取得最高聚合 pass@12。
- 问题
- 推理模型训练中参考解前缀引导给多少才合适，缺乏理论依据。
- 方法
- 通过前缀续写与验证回退比较轨迹分布，推导 KL 散度闭式解，提出自适应参考引导 ARG，从续写结果学习前缀选择器。
- 结果
- 在 Qwen3-4B 与 Qwen3-8B 五个数学推理基准上取得最高聚合 pass@12。
- 影响
- 把「给多少提示」从调参直觉变成可学习的选择器，可直接接入 GRPO 训练流程提升数学推理。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ARG 自适应选择参考解前缀，在 Qwen3-4B/8B 五个数学基准取得最高聚合 pass@12
- •研究推理模型训练中参考解前缀引导的适度问题，用前缀续写与验证回退比较轨迹分布
- •推导出单次续写的 KL 散度闭式解：其（在有限项内）随「生成不同正确轨迹的概率」与「参考意外度」的乘积下降
- •由于更长前缀往往抬高前者、压低后者，续写成功率本身不能决定最佳引导量
- •提出自适应参考引导 ARG，从续写结果学习跨训练问题共享的前缀选择器，无需估计成功概率或额外生成
- •应用于 GRPO 的全失败组，在 Qwen3-4B 与 Qwen3-8B 的五个数学推理基准上取得最高聚合 pass@12
为什么重要：全失败组是 RL 训练推理模型的常见死区，ARG 用理论推导给出「给多少参考引导」的判据，对做 RL 后训练的团队有直接方法价值。
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。