提出一种无预言机的多轮强化学习框架SVR,通过联合判决-置信度强化学习让模型基于自身正确性判定和置信度决定保留或继续精炼答案,在七个数学推理基准上用Qwen3.5-2B达到平均0.563准确率且仅需约2.99个推理轮次,优于固定预算及多轮基线并显著减少推理计算。
机构:中山大学
来源:arXiv 2607.28457 | AI4Papers 论文推荐平台
AI4Papers 是一个以每日 arXiv 论文发现为入口的 AI 科研工作流平台,帮助研究者用最短时间掌握最新 AI/ML 前沿动态。
核心功能完全免费。高级 AI 功能(对比分析、深度研究、灵感工作台)支持自带兼容 API Key(如 OpenAI、通义千问)无限使用。
免费注册 | 使用教程