提出SmartThinker方法,基于GRPO框架实现渐进式思维链长度校准,通过高斯分布建模最优推理长度并动态调整长度奖励系数,在减少平均响应长度达52.2%的同时提升准确性(如AIME25上提升16.6%)。
机构:上交
来源:arXiv 2603.08000 | AI4Papers 论文推荐平台