SCOPE-RL: Optimizing Reasoning Paths Before and After Success
SCOPE-RL:成功前后优化推理路径
发表机构 * Baidu Inc.(百度公司) ; Shandong University(山东大学)
AI总结 研究针对可验证奖励强化学习中推理路径反馈不足问题,提出SCOPE-RL框架,分两阶段优化,成功前添加奖励,成功后细化轨迹,并经评估协议验证,相比仅结果的GRPO提升准确率、减少推理令牌,且与其他方法互补。
Comments 21 pages, 4 figures