MCPO：按 token 犹豫程度分配奖励的强化学习方法

Chi Liu 等作者提出 MCPO（Margin-Credit Policy Optimization）方法，用策略下一 token 分布的 top-2 margin 衡量模型在每个 token 上的犹豫程度，把 GRPO 中平均分配的奖励改为按 token 差异化分配，且无需额外模型评估或批次统计。作者称该方法在数学基准上超越 GRPO。

AI 根据报道生成 · 51 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。