HuggingFace Daily Papers（社区热门论文）·2026-09-27 08:00· 2 天前AI 评分38

EAPO：面向 LLM 推理探索的熵引导信用分配方法

Surprising Success, Repeated Failure: Entropy-Guided Credit Assignment for Exploration in LLM Reasoning

AI 导读

针对 RLVR 中细粒度信用分配依赖辅助模型或额外采样的问题，研究者提出熵引导信用分配方法 EAPO，将归一化策略熵与响应优势符号耦合，对成功响应中的高熵决策加强强化、对失败响应中的低熵决策加强惩罚，同时衰减不确定位置的惩罚以保留恢复机会。