arXiv cs.CL· Saif Punjwani, Micah Goldblum·2026-10-08 12:00· 4 小时前AI 评分26

ExpDis：将探索与优化解耦的 RLVR 新框架

Decoupling Exploration from Optimization in RLVR

AI 导读

研究者提出 Exploration-Distillation（ExpDis）框架，将 RLVR 中的探索与优化解耦：先用带新颖性奖励的 explorer 策略采样轨迹，经正确性与质量过滤后蒸馏到独立 student 策略，student 训练时不加新颖性奖励，并多轮交替进行。

来源：arXiv cs.CL · arxiv.org