提出了一种名为ExpRL的探索性强化学习方法,利用参考解答作为奖励脚手架进行LLM中间训练,以提升基础模型在复杂数学推理任务上的解空间覆盖率,为后续稀疏奖励RL提供更优的初始化。
机构:Stanford
来源:arXiv 2606.17024 | AI4Papers 论文推荐平台