#数据分布偏移

论文提出L2RR方法，缓解GRPO中源与目标数据分布不匹配问题

针对RLVR中GRPO的采样效率与性能权衡，论文指出源训练集与目标测试集常不同分布，且目标提示因隐私不能共享。作者提出学习重加权采样（L2RR），利用目标侧聚合反馈优化源提示采样分布，在六个数学推理基准和三个模型规模上提升目标域表现与采样效率。