MRTPO：按验证器定位做多奖励token级信用分配

研究者 Haotian Zhai 等发布论文提出 MRTPO，一种多奖励强化学习的信用分配方法：利用每个奖励的 verifier 实际检查的位置，把该奖励的 advantage 只分配给与之相关的 token，而不再均匀铺满整条回复。论文称该方法不需要辅助模型，也不需要 token 级标注。 其针对的问题是此前 GDPO 将每个奖励的 advantage 均匀分配到整个回复上。MRTPO 改变的是分配范围，使各奖励的信用与其验证器覆盖的 token 对应。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。