SC-GRPO：自条件信用分配强化学习方法
热点事件持续更新
SC-GRPO：自条件信用分配强化学习方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
报道摘要
SC-GRPO 通过将模型在自身已验证轨迹上的 KL 散度作为 GRPO 梯度的乘性权重，实现 token 级信用分配，无需过程奖励模型或外部教师。在数学、代码和智能体任务的五个基准上，SC-GRPO 比 GRPO 高 8.1%、比 DAPO 高 5.9%，OOD 表现更强，并优于 OPD。该工作已被 EMNLP 2026 Findings 接收。
摘自 arXiv cs.LG
最新进展10月9日 12:00
SC-GRPO：用自条件信用分配改进 RLVR 训练报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv cs.LGSC-GRPO：用自条件信用分配改进 RLVR 训练
SC-GRPO 通过将模型在自身已验证轨迹上的 KL 散度作为 GRPO 梯度的乘性权重，实现 token 级信用分配，无需过程奖励模型或外部教师。在数学、代码和智能体任务的五个基准上，SC-GRPO 比 GRPO 高 8.1%、比 DAPO 高 5.9%，OOD 表现更强，并优于 OPD。该工作已被 EMNLP 2026 Findings 接收。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。