研究者提出ORSD实现token级过程信用分配

Shumao Wu等作者提出Online Rubric Self-Distillation（ORSD）方法，把自生成的自然语言过程评分标准当作特权信息，通过对比有无评分标准时原始token的似然差，为每个token分配过程信用，并以加性优势整形方式叠加到GRPO的轨迹级优势上。 据作者描述，该方法用自生成的过程评分标准提供密集的token级监督，以补充以结果为中心的强化学习。

AI 根据报道生成 · 52 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。