提出Token-Conditioned Reinforcement Learning(ToCoRL)框架,通过token条件生成揭示大语言模型的行为可塑性,并利用强化学习将其稳定化,实现无需参数更新的推理时行为切换(如从逐步推理转向直接回答),在保持数学推理能力的同时显著提升事实问答性能。
机构:阿里
来源:arXiv 2603.08398 | AI4Papers 论文推荐平台