提出STARE方法,通过基于惊讶度的token级优势重加权和目标熵闭环门控机制,解决大模型强化学习训练中的策略熵崩溃问题,在维持稳定策略熵的同时使推理任务准确率提升4%–8%。
机构:清华
来源:arXiv 2606.19236 | AI4Papers 论文推荐平台