Residual Advantage：面向可验证奖励 RL 的学生相对教师引导方法
原文标题：Residual Advantage: Student-Relative Teacher Guidance for RL with Verifiable Rewards
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。
研究者提出 Residual Advantage（RA），将教师-学生概率残差作为有界单步奖励，减去学生策略下的状态值形成标准优势，并在响应内中心化后加入验证器优势。配合 Qwen3 系列学生与教师模型，RA 结合 GRPO 或 REINFORCE++ 在三个数学基准的 24 项对比中全部提升，Pass@8 提高 3.9 至 6.3 分。
- 问题
- RLVR 只给整条回答一个结果标签，无法对内部步骤分配信用。
- 方法
- 把教师-学生概率残差作为有界单步奖励，减去学生状态值成优势，并在响应内中心化后叠加验证器优势。
- 结果
- 在三个数学基准的 24 项对比中全部提升，Pass@8 提高 3.9 至 6.3 分。
- 影响
- 为可验证奖励 RL 提供即插即用的密集信用分配，可与 GRPO/REINFORCE++ 组合直接提升推理模型。
深读 · 结论先行AI 生成展开看要点与影响 ↓
RA把师生概率残差当有界单步奖励，24项数学对比全提升，Pass@8涨3.9-6.3分
- •RA将教师-学生概率残差作为有界单步奖励，减去学生策略状态值形成标准优势
- •响应内中心化后加入验证器优势，保证验证器优势仍是响应均值标签
- •教师仅在各步骤间重新分配信用，不改变整体结果信号
- •用Qwen3-1.7B/4B-Base学生与Qwen3-8B教师，搭配GRPO或REINFORCE++
- •三个数学基准24项对比全部提升，Pass@8提高3.9至6.3分
为什么重要：把RLVR的结果级奖励与OPD的token级引导结合，且不放大教师影响，为推理模型后训练提供可直接套用的新方案。
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。