本文提出FEST算法,一种基于少量随机示例的演示引导RLVR方法,通过结合监督信号、在线策略信号与衰减权重机制,仅需128条SFT数据即可在数学与代码推理任务中显著提升样本效率,性能优于或媲美需海量数据的基线模型。
机构:UIUC
来源:arXiv 2605.15012 | AI4Papers 论文推荐平台