#RLCD

OpenJev-RLCD：可用的校准决策强化学习实现

研究者提出面向推理模型的校准决策强化学习（RLCD）可用实现，通过严格适当评分规则对答案分布打分，并采用先校准后强化的两阶段配方。在 Qwen3-1.7B 上，RLCD 在准确率上匹配或超越 SFT、RFT/STaR 和 GRPO，并在选择性预测上全面胜出。