提出RLCSD方法,通过对比正确和错误提示下的师生差距来抑制特权诱导的风格漂移,使学习信号集中于任务承载token,在数学和逻辑推理任务上一致优于GRPO和先前OPSD方法。
机构:清华
来源:arXiv 2606.11709 | AI4Papers 论文推荐平台