★ 3论文研究提示级差分隐私下的奖励驱动学习论文研究提示级差分隐私下的可验证奖励强化学习（RLVR），提出首个RLVR训练的差分隐私保证。方法将单提示的响应组作为隐私记录，聚合梯度、裁剪一次并加高斯噪声。用Qwen2.5-1.5B-Instruct与LoRA在ε=8下训练，奖励信号在MATH与GSM8K上稳定提升准确率，并保留非私有GRPO…arXiv cs.LG26 天前