新方法缓解数学RLVR分布锐化

针对数学强化学习可验证奖励（RLVR）中难题采样组全部答错、导致无有效更新并引发分布锐化的问题，Pei-Xi Xie 等作者提出 DAHS 与 BHA 两个组件。DAHS 基于学生风格的回答构建经核验的教师提示；BHA 按长度桶随准确率提升逐步退火提示暴露，并加入逐题提示 dropout。 作者称，该方法用于缓解上述分布锐化问题，相关验证结果随论文发布。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。